CC BY
105
УДК 004.9
Г.А. Сырецкий
СГГА, НГТУ, Новосибирск
ВЫЧИСЛИТЕЛЬНЫЙ ИНТЕЛЛЕКТ И ИДЕНТИФИКАЦИЯ ОБЪЕКТОВ ПО ИХ ЦИФРОВЫМ ИЗОБРАЖЕНИЯМ
Рассматриваются основные положения вычислительного интеллекта с ориентацией на идентификацию объектов по их цифровым изображениям. Уделяется внимание нейрологическим, фазилогическим и иммунологическим вычислениям. Рассматривается идентификация объектов по цифровым изображениям, полученным с помощью тепловизора, матричного ИК-приемника с подсветкой и сканера текстов и чертежей.
G.A. Syretsky
SSGA, Novosibirsk state technical university, Novosibirsk
COMPUTING INTELLIGENCE AND OBJECTS IDENTIFICATION BY THEIR DIGITAL IMAGES
The features of the computing intelligence oriented at identifying objects by their digital images are presented. Neurological, physiological and immunological computations are emphasized. Objects identification by digital images produced by the thermal imager, illuminated matrix infrared detector and texts and drawings scanner are considered.
Сейчас наблюдается рост востребованности в разработке новых технологий и систем искусственного интеллекта для различных сфер деятельности и приложений, в их числе при автоматизации процессов тактического и оперативного управления, автоматизации планирования и проектирования, автоматизации мониторинга, диагностики и прогнозирования обслуживания сложного технологического оборудования, автоматизации сложных научных исследований и технологических процессов. Такие технологии и системы базируются на моделировании биологических принципов обработки информации и элементов человеческого интеллекта, благодаря которым естественные системы могут эффективно и экономично решать в реальном времени многомерные задачи высокой вычислительной сложности. Возможность создания такого многообразия технологий, систем и сетей обусловлена, прежде всего, достигнутыми успехами в производстве средств вычислительной техники, символьного искусственного интеллекта и интеллектуальных вычислений (Computational Intelligence, вычислительного интеллекта) [1,3]. Интеллектуальные вычисления связаны с применением, в частности таких технологий информатики как искусственные нейронные и
иммунные сети, вероятностные методы, фазиматематика и эволюционные вычисления (в их числе, генетические алгоритмы, генетическое программирование, эволюционное программирование и эволюционные стратегии).
В настоящее время многие прикладные системы содержат модули идентификации объектов по их цифровым изображениям. Примерами таких систем служат системы обнаружения летательных аппаратов и их сопровождения, системы зондирования поверхности планеты, системы мониторинга дорожно-транспортных нарушений, роботизированные технологические системы, системы производственной логистики, системы мониторинга состояния режущего инструмента станков с ЧПУ, системы контроля сварочных швов узлов, системы биометрической идентификации личности, системы оптического распознавания текста и чертежей, электронные микроскопы и зондовые сканирующие микроскопы. В частности, в таких системах идентификация осуществляется после цифровой обработки снимков тепловизоров и тепловизионных приборов ночного видения, сканирующих устройств с инфракрасной подсветкой, видеокамер и телескопов, ультрафиолетовых приемников и сканеров, флюрографических и рентгеновских аппаратов.
В докладе рассматриваются базовые составляющие ключевых направлений вычислительного интеллекта с ориентацией на идентификацию различных объектов. Цифровые изображения таких объектов получены на основе цифровой обработки снимков тепловизора, матричного ИК-приемника и оптического сканера компьютера.
На рис. 1 приведена формальная модель биологического нейрона, которая является базисом нейросетей, обсуждаемых в докладе. Нейросетевая идентификация основывается на использовании обучаемых и несупервизорных нейросетей различных топологий.
Рис. 1. Формальная модель нейрона
Основой нечеткого идентификатора служит многоканальный фазиконтроллер, структура которого приведена на рис. 2.
Рис. 2. Обобщенная структура фазиконтроллера
Анализ достоинств и недостатков идентификации объектов нейросетями и нечеткими контроллерами свидетельствует о целесообразности объединения достоинств нейрологических и нечетких вычислений в нейронечетких сетях, простейшая структура которой приведена на рис. 3. В докладе осуждаются различные структуры нейронечетких и фазинейронных сетей, ориентированных на идентификацию объектов различной природы.
СЛОМ 1 2 3 4 5 ь
Слой Слой фазификации | Слой правил | Слои дефазификации
рецепторов
Р — Положительное Отрицательное ¿—близкое к нулю
Рис. 3. Структура простейшей нейронечеткой сети
В заключительной части доклада уделяется особое внимание основам иммунологических вычислений и искусственным иммунным системам (ИИС), ориентированным на идентификацию текстовой информации и объектов изображений. Согласно [4] ИИС - «адаптивные системы, инспирированные теоретической иммунологией и наблюдаемыми иммунными функциями, принципами и моделями, которые применимы для решения проблем». Под иммунитетом понимают способность организма локализовать место вторжения чужеродных агентов, их распознавать, разрушать/нейтрализовать и удалять из внутренней среды организма. К чужеродным агентам (вредоносным клеткам и
молекулам - продуктам чужеродой генетической информации) относятся а) биологически агрессивные агенты (группы молекул (образы (паттерны) патогенности), характерные для патогенов (например, вирусов и бактерий) и распознаваемые паттернраспознающими рецепторами); б) антигены (распознаваемые антигенраспознающими рецепторами лимфоцитов); в) стрессорные молекулы (собственные молекулы организма, появляющиеся на мембране при клеточном стрессе и сигнализирующие об опасности. Их распознавание осуществляется преимущественно рецепторами клеток естественных киллеров).
В настоящее время существует две точки зрения о главной цели иммунной системы: а) точка зрения классической иммунологии. Она базируется на распознавании «своё» и «не-своё» (далее «свой-чужой») и последующем устранении влияния деструктивных чужих биологических объектов; б) точка зрения теории опасности (Danger Theory). Она предполагает, что ЕИС определяет опасные элементы и события независимо от их принадлежности к своим или чужим (http://www.dangertheory.com).
С классической точки зрения иммунная система человека имеет многослойную архитектуру, верхними уровнями которой служат барьерные системы многоклеточного организма (среди них, эпителий кожи, эпителий слизистой оболочки глаза и кишечника, жидкости с различными pH и температура), а самыми нижними защитными уровнями - системы врожденного (Innate Immune System) и приобретённого (адаптивного) (Acquired (Adaptive) Immune System) иммунитета, обеспечивающие внеклеточные и клеточные реакции.
Система адаптивного иммунитета характеризуется распознаванием и классификацией агентов на «свой» и «чужой», первичным гуморальным ответом и при повторном контакте с теми же антигенами меньшей дозы ускоренным вторичным иммунным ответом, основанном на клетках иммунологической памяти (рис. 5). В основном адаптивный иммунный ответ базируется на постоянных межклеточных контактах и кооперации между клетками. Компонентами данного иммунитета служат клетки памяти, лимфоциты и антитела (рис. 6). Они специфически распознают (связывают) конкретный возбудитель внутри и вне клеток, в тканевой жидкости и крови и инициируют иммунный ответ.
Рис. 5. Иммунный ответ адаптивного иммунитета на антигены одного (а) и
нескольких (б) типов
Рис. 6. Схематичное представление лимфоцитных процессов иммунной
системы
В иммунной системе антигенсвязывающие рецепторы лимфоцитов представлены антителами - рецепторами, существующими как виде отдельной молекулы, так и на мембранной поверхности В-клеток и Т-клеток. На рис. 4 приведены структуры эпитопов (молекулярных участков специфической связи с антителом) антигенов и структуры антител.
Рис. 4. Эпитопы антигенов (а), упрощенная структура антитела: рецептора В-клетки с двумя активными центрами (б) и упрощенное строение рецептора Т-
клетки (в)
В докладе обсуждаются генетические механизмы формирования разнообразия антигенсвязывающих рецепторов В-клеток и Т-клеток.
Ныне в технических приложениях популярны такие алгоритмы иммунологии а) отрицательной селекции (Negative Selection Algorithms); б) клональной селекции (Clonal Selection Algorithm); в) иммунной сети (Immune
Network Algorithms); г) костного мозга (Bone Marrow Algorithms). На рис. 6 приведен пример идиотипические сети гипотезы Ерне.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Сырецкий Г.А. Моделирование систем. Часть 2. Интеллектуальные системы: учебн. пособие / Г.А. Сырецкий. — Новосибирск: Изд-во НГТУ, 2010.
2. Сырецкий Г.А. Моделирование систем. Часть 3: учебн. пособие / Г.А. Сырецкий. - Новосибирск: Изд-во НГТУ, 2011. — 100 с.
3. Konar A. Computational Intellingence: Principles, Techniques and Applications / Konar Amit. - Berlin Heidelberg: Springer-Verlag, 2005.
4. De Castro L.N. Artificial Immune Systems: A New Computational Intelligence Approach / L.N. de Castro, J. Timmis — Springer-Verlag, London. UK, 2002 — 364 p.
Рис. 6. Идиотипические сети гипотезы Ерне
80 с.
© Г.А. Сырецкий, 2011
