Общие принципы построения и закономерности функционирования интеллектуальных систем
В статье поставлена задача разработки методологии построения символистско-коннективистских ин- теллектуальных систем, что связано с установлением принципов и закономерностей функционирования, с определением соответствующих моделей знаний таких систем. Динамику функционирования систем предлагается...
Saved in:
| Published in: | Штучний інтелект |
|---|---|
| Date: | 2011 |
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/59346 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Общие принципы построения и закономерности функционирования интеллектуальных систем / С.С. Анцыферов // Штучний інтелект. — 2011. — № 3. — С. 6-15. — Бібліогр.: 14 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-59346 |
|---|---|
| record_format |
dspace |
| spelling |
Анцыферов, С.С. 2014-04-07T17:16:56Z 2014-04-07T17:16:56Z 2011 Общие принципы построения и закономерности функционирования интеллектуальных систем / С.С. Анцыферов // Штучний інтелект. — 2011. — № 3. — С. 6-15. — Бібліогр.: 14 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/59346 681.518.9; 621.384.3 В статье поставлена задача разработки методологии построения символистско-коннективистских ин- теллектуальных систем, что связано с установлением принципов и закономерностей функционирования, с определением соответствующих моделей знаний таких систем. Динамику функционирования систем предлагается оценивать с помощью энтропии как функции их состояния. The problem of development of methodology for symbolist and connectivist intellectual systems is set in the article. That occurs due to an establishment of principles of construction and laws of functioning, as well as to definition of corresponding models of knowledge of such systems. It is offered to estimate dynamics of functioning of systems by means of entropy as a function of their condition. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Концептуальные проблемы создания систем искусственного интеллекта Общие принципы построения и закономерности функционирования интеллектуальных систем The General Principles of Construction and Laws of Functioning of Intellectual Systems Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Общие принципы построения и закономерности функционирования интеллектуальных систем |
| spellingShingle |
Общие принципы построения и закономерности функционирования интеллектуальных систем Анцыферов, С.С. Концептуальные проблемы создания систем искусственного интеллекта |
| title_short |
Общие принципы построения и закономерности функционирования интеллектуальных систем |
| title_full |
Общие принципы построения и закономерности функционирования интеллектуальных систем |
| title_fullStr |
Общие принципы построения и закономерности функционирования интеллектуальных систем |
| title_full_unstemmed |
Общие принципы построения и закономерности функционирования интеллектуальных систем |
| title_sort |
общие принципы построения и закономерности функционирования интеллектуальных систем |
| author |
Анцыферов, С.С. |
| author_facet |
Анцыферов, С.С. |
| topic |
Концептуальные проблемы создания систем искусственного интеллекта |
| topic_facet |
Концептуальные проблемы создания систем искусственного интеллекта |
| publishDate |
2011 |
| language |
Russian |
| container_title |
Штучний інтелект |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| format |
Article |
| title_alt |
The General Principles of Construction and Laws of Functioning of Intellectual Systems |
| description |
В статье поставлена задача разработки методологии построения символистско-коннективистских ин-
теллектуальных систем, что связано с установлением принципов и закономерностей функционирования,
с определением соответствующих моделей знаний таких систем. Динамику функционирования систем
предлагается оценивать с помощью энтропии как функции их состояния.
The problem of development of methodology for symbolist and connectivist intellectual systems is set in the
article. That occurs due to an establishment of principles of construction and laws of functioning, as well as
to definition of corresponding models of knowledge of such systems. It is offered to estimate dynamics of
functioning of systems by means of entropy as a function of their condition.
|
| issn |
1561-5359 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/59346 |
| citation_txt |
Общие принципы построения и закономерности функционирования интеллектуальных систем / С.С. Анцыферов // Штучний інтелект. — 2011. — № 3. — С. 6-15. — Бібліогр.: 14 назв. — рос. |
| work_keys_str_mv |
AT ancyferovss obŝieprincipypostroeniâizakonomernostifunkcionirovaniâintellektualʹnyhsistem AT ancyferovss thegeneralprinciplesofconstructionandlawsoffunctioningofintellectualsystems |
| first_indexed |
2025-11-25T23:50:47Z |
| last_indexed |
2025-11-25T23:50:47Z |
| _version_ |
1850586192531161088 |
| fulltext |
«Искусственный интеллект» 3’2011 6
1А
УДК 681.518.9; 621.384.3
С.С. Анцыферов
Московский государственный институт радиотехники, электроники
и автоматики (технический университет), г. Москва, Россия
Antsyfer@yandex.ru
Общие принципы построения
и закономерности функционирования
интеллектуальных систем
В статье поставлена задача разработки методологии построения символистско-коннективистских ин-
теллектуальных систем, что связано с установлением принципов и закономерностей функционирования,
с определением соответствующих моделей знаний таких систем. Динамику функционирования систем
предлагается оценивать с помощью энтропии как функции их состояния.
Введение
Согласно [1], перспективное направление усиления интеллектуального потенциала
адаптивных информационно-распознающих систем (АИРС) связано с объединением сим-
волистского и коннективистского направлений развития теории искусственного интел-
лекта, т.е. с объединением логической и нейронной парадигм. Такое объединение озна-
чает возможность перехода к аппаратной реализации обучаемых АИРС нейрологического
типа и может обеспечить решение задач как адаптации параметров обрабатывающих
алгоритмов, так и преодоления существенной априорной неопределенности в рамках
методологии структурно-стохастической обработки информации пространственно-вре-
менных полей. Символистское направление связано с развитием реляционной и объект-
ной моделей, коннективистское – с ассоциативной моделью знаний. В связи с этим возни-
кает необходимость поиска оптимальной структуры построения АИРС, обеспечивающей
постепенный (эволюционный) переход от вычислительных механизмов Тьюринга – фон
Неймана к совершенно отличным от них механизмам интеллектуальной обработки ин-
формации, т.е. к механизмам обработки знаний. Как показывает опыт проектирования
АИРС – систем обработки сложных по своей структуре пространственно-временных ин-
формационных полей, именно степень эффективности обработки (процессирования) зна-
ний определяет уровень интеллектуального потенциала этих систем.
Знания в общем случае являются системой представлений о предметной области в
виде сущностей – явлений, процессов, их проявлений в форме фактов и их отношений
или объектов и их связей. Знания отличаются от обычных данных наличием специфи-
ческой структуры и дополнительными свойствами, среди которых можно выделить такие,
как интерпретируемость, наличие классифицирующих отношений и ситуативных связей.
В знаниях всегда присутствует содержательная информация, которая интерпретируется
соответствующей программой. Отдельные единицы знаний связываются классифици-
рующими отношениями, позволяющими описывать структуру знаний общими связями
«класс-подкласс». При этом «класс» объединяет информацию, одинаковую для всех
«подклассов» и при необходимости может передавать ее «подклассу». Совместимость
отдельных событий или фактов, их одновременность, расположение в одной области
Общие принципы построения и закономерности функционирования...
«Штучний інтелект» 3’2011 7
1А
пространства определяют ситуативные связи. Они позволяют строить процедуры анализа
знаний, которые очень сложно организовать при использовании обычных данных.
Знания в определенной предметной области при использовании их в системе обработки
объединяются в базы знаний (БЗ), подобно тому, как данные объединяются в базы
данных (БД). При этом БЗ и БД рассматриваются как разные уровни представления
информации. Источниками знаний являются сжатые и полные описания сущностей,
представление их с использованием определенной формальной модели знаний, прием-
лемой для аппаратно-программной реализации. Вывод и принятие решений осущест-
вляется процедурами поиска в пространстве состояний, учитывающих семантику (смысл)
конкретной предметной области. Множества описаний состояний и условий переходов
между ними, которые носят синтаксический (символьный) характер и не содержат в яв-
ном виде описания исполняющих процедур, представляют декларативные знания. Про-
цедурные знания включают исходные состояния и явные описания процедур, обра-
батывающих исходные знания в случае необходимости достижения состояния полного
множества производных знаний. Это позволяет отказаться от хранения всех состояний
БЗ, требуемых при выводе и принятии решений. Здесь семантика вводится в описания
процедур, генерирующих синтаксические знания. Это позволяет экономить память при
хранении знаний, однако возможности наполнения знаний ухудшаются. Представление
знаний в интеллектуальных системах (ИС) может носить структурный или параметри-
ческий характер. Структурное представление характеризует отношения фактов или
объектов. Структура знаний может изменяться, в результате происходит их конкре-
тизация при описании заданной проблемной области. В динамических БЗ структура
знаний может изменяться эволюционно или адаптивно. Параметрическое представление
характеризуется фиксированной структурой и изменяемыми параметрами в фактах или
объектах. Конкретизация знаний под задачу производится только настройкой параметров.
Часть параметров обычно используется для настройки силы связей или отношений
вплоть до их отключения.
Практическим воплощением обработки знаний стали встраиваемые в структуру
АИРС экспертные системы [2-6]. Такое построение обеспечило решение ряда сложных
задач медицинской практики [7], [8]. Однако обработка знаний в такого рода системах
возможна только после их преобразования к представлению, принятому в механизме
Тьюринга – фон Неймана, вплотную подошедшему к своей оптимальной форме. Вместе
с тем, создание сетевых, удаленных друг от друга, диагностических центров с целью
массового скрининга населения приводит к существенному нарастанию интенсивности
информационных потоков, подлежащих обработке с помощью АИРС. Это требует, наря-
ду с повышением интеллектуального потенциала, существенного повышения их обраба-
тывающих ресурсов, что может быть достигнуто, как уже отмечалось ранее, в рамках
объединенного символистско-коннективистского направления. Методология построения
символистско-коннективистских интеллектуальных систем (СК – ИС) не получила еще
достаточного развития, поэтому задача ее разработки представляется актуальной. Разра-
ботка такой методологии предполагает установление принципов построения и закономер-
ностей функционирования СК – ИС, а также соответствующих моделей знаний.
Принципы построения СК – ИС
Основу построения СК – ИС составляют принципы многокомпонентности и много-
связности. Будем полагать, что между элементарными компонентами (ЭК) системы могут
в процессе адаптации (обучения или самообучения) устанавливаться стохастические
связи (каждого с каждым), обеспечивающие их информационное взаимодействие и тем
Анцыферов С.С.
«Искусственный интеллект» 3’2011 8
1А
самым решение конкретной задачи из той или иной предметной области. В состав
элементарного компонента входят: основная база знаний и ряд подсистем, предназначен-
ных для извлечения знаний, обработки внешней и внутренней информации, формирова-
ния цели, обучения и самообучения, контроля и диагностики, диалогового общения. ЭК
могут функционировать как автономно, так и в интерактивном режиме. Интерактивный
режим предполагает ввод задания от оператора и выдачу ЭК подтверждения о пони-
мании задания либо запросов на уточнение непонятных моментов. Оператор имеет
возможность формировать и корректировать основную и вспомогательные базы зна-
ний ЭК. В режиме диалогового общения используется БЗ, содержащая правила анализа
и синтеза естественноязыковой или графической информации в ограниченной проблем-
ной области, а также интерпретатор, использующий эту БЗ для преобразования нефор-
мализованного задания в формализованное в рамках внутреннего языка компонента.
Формирование цели связано с анализом возможности выполнения задания при сущест-
вующих на данный момент ресурсах ЭК и состоянии его подсистем. Подсистема фор-
мирования цели имеет свою БЗ и интерпретатор, преобразующий формализованное
задание в контрольно-диагностическую информацию для построения на языке пред-
ставления знаний некоторого желаемого варианта решения. Основная БЗ, позволяющая
решать некоторый заранее определенный набор задач, должна содержать формализо-
ванное в рамках метода и языка представления знаний описание (модель) реализации
пространственно-временного информационного поля (ИП). Основные знания об об-
рабатываемом поле формируются подсистемой извлечения знаний, а дополнительные –
подсистемой обучения и самообучения. Эти подсистемы должны иметь собственные БЗ
и интерпретаторы для организации процессов формирования знаний и обучения. Об-
работка знаний осуществляется подсистемой вывода о знаниях для прогнозирования и
формирования значений алгоритмических констант обрабатывающих алгоритмов (образов
алгоритмов). Эта подсистема проводит сопоставление образов алгоритмов и модели ин-
формационного поля, поиск оптимального алгоритма обработки, используя для этого соб-
ственную БЗ, содержащую правила интерпретации этих знаний. Получаемые на каждом
шаге интерпретации прогнозируемые значения управляющих корректирующих воз-
действий используются для коррекции либо модели ИП, либо алгоритмических констант
с целью проверки правильности выполняемых шагов по критерию адекватности модели
ИП и образов алгоритмов. При возрастании адекватности, за счет указанной обратной
связи, шаг фиксируется как правильный и проводится соответствующая коррекция.
Если же адекватность уменьшается, коррекция на этом шаге отменяется и ищется новый
вариант решения. В процессе обработки информации (внешней и внутренней) выявляют-
ся текущие изменения интенсивности информационного потока с помощью собствен-
ных БЗ и интерпретаторов подсистем обработки. Получаемая информация используется
в подсистемах извлечения знаний, контроля и диагностики.
В ходе функционирования всех ЭК, входящих в состав ИС, происходит установле-
ние межкомпонентных связей путем постоянного взаимного информирования, пред-
ставляющего собой семантическую операцию, содержащую множество взаимосвязанных
процедур: генерирование, передача, прием, хранение, восприятие, понимание, принятие
решения. Генерирование семантической информации (SI) осуществляется семантическим
источником и заключается в ее производстве и воспроизведении. Передача представляет
собой пересылку (транспортировку) семантической информации. Прием семантической
информации реализуется в виде операций преобразования, формирования, стробирования
и пр. Хранение семантической информации основано на свойстве элементов изменять
свое состояние в зависимости от внешних воздействий, устойчиво сохранять новое
состояние и распознавать его. Восприятие семантической информации можно интер-
претировать как синтез знаков моделей SI, хранимой в памяти ЭК, и сводится оно к
Общие принципы построения и закономерности функционирования...
«Штучний інтелект» 3’2011 9
1А
логико-вычислительным операциям. Понимание семантической информации ЭК опреде-
ляется посредством семантической операции сравнения знаковых систем (внешних мо-
делей) с соответствующими внутренними моделями – эталонами, хранимыми в памяти
ЭК, и сводится оно к формально-логическим операциям. Принятие решения – акт выбора
одной из заданного количества альтернатив по установленному критерию, сводится к
формально-логическим операциям и реализуется программным способом или специаль-
ным логическим блоком.
Модели знаний СК – ИС
В рамках символистского направления получили развитие реляционная и объектная
модели знаний. Реляционная модель знаний использует понятие формальной системы от-
ношений между множеством базовых элементов; множеством синтаксических правил,
позволяющих строить из множества элементов синтаксически правильные выражения;
множеством априорных истинных выражений (аксиом); множеством семантических пра-
вил вывода, позволяющих расширять множество аксиом за счет других выражений. В ос-
нове реляционной модели знаний лежат теория отношений и логика. Исторически
эта модель имеет корни в исчислении высказываний, от которого позже перешли к
исчислению предикатов (отношений). В настоящее время, наряду с предикатной логикой,
для построения реляционной модели применяется дедуктивная логика как основа системы
продукций с выводом, исходя из заданной системы посылок. Наиболее часто при по-
строении ИС используются предикатная, продукционная и лингвистическая формы
реляционной модели знаний. Предикатная форма является наиболее строгой и дока-
зательной. Она имеет мощную программную поддержку в виде универсального языка
логического программирования PROLOG, фактически применяемого как оболочка для
разработки логических ИС. Продукционная форма менее строгая, используется для пред-
ставления знаний в виде импликативных отношений и связок И и ИЛИ между фактами.
Вывод в такой системе знаний осуществляется на основе дедуктивной логики и процедур
эвристического поиска. Продукционная форма также поддерживается программно-
специализированными средствами типа языка разработки систем продукций OPS-5.
Лингвистическая форма является развитием продукционной для применения в естественно-
языковых системах и поддерживается специализированными языками типа ATNL. Объект-
ная модель знаний использует понятие формальной системы, задаваемой как сеть объек-
тов, связанных разными отношениями, и зависящей от множества классов объектов, свя-
занных отношениями классов; множества объектов, связанных отношениями объектов;
структуры классов и объектов, определяющей отношения между ними; правил преобра-
зования объектов и вывода на сети объектов. В основе объектной модели лежат теория
семантических и фреймовых сетей, а также теория акторов. При построении ИС ис-
пользуются семантическая, фреймовая и универсальная формы объектной модели знаний.
Наиболее простая форма семантической сети часто применяется для отображения
системы понятий в проблемной области и вывода в этой системе. Она поддерживается
специализированными языками семантических сетей: NETL, ATNL. Фреймовая форма
является мощным средством построения больших иерархических систем знаний при об-
работке изображений, речевых образов, процессов управления, диагностирования. Для под-
держки разработки фреймовых систем используются основанные на LISP языковые
средства типа FRL, FMS. Универсальная объектная форма в настоящее время быстро раз-
вивается и часто используется в практических разработках мощных распределенных сете-
вых систем знаний для моделирования, управления, проектирования. Программная
поддержка этой формы знаний – языки типа CLOS, LOOPS, основанные на LISP, а также
объектно-ориентированные языки типа Smalltalk, C++.
Анцыферов С.С.
«Искусственный интеллект» 3’2011 10
1А
В рамках коннективистского направления получила развитие ассоциативная модель
знаний, использующая понятие формальной системы, задаваемой в виде ассоциативной
сети представления знаний, содержащей множество узловых элементов; множество кон-
некций – регулируемых контактных связей между элементами; множество правил
построения сети и определения параметров коннекций; правила ассоциативного вывода
(процедуры процессирования знаний). В основе ассоциативной модели знаний лежат
ассоциативная логика, нейродинамика и когнитология. Общим для ассоциативного
подхода является представление знаний в виде ассоциативной сети узловых элемен-
тов, имеющих коннекции между собой в соответствии с решаемой задачей. Именно
управляемые коннекции обеспечивают такому представлению знаний свойство ассоциатив-
ности, т.е. способности системы давать наиболее вероятные решения за счет парал-
лельного процессирования информации, распространяемой по сети узловых элементов, с
учетом силы коннекций. Ассоциативная модель знаний может проявляться в логической,
нейронной и универсальной формах.
Логическая форма основана на использовании в узловых элементах сети логических
вычислительных базисов: предикатного, продукционного и семантического. Наиболее
часто обработка информации в элементах сети осуществляется в нечетко-логических ба-
зисах. Напомним, что в нашем случае обработка информации полей в ЭК осуществляется
структурно-стохастическим методом. При этом в ЭК (узловых элементах сети) вычи-
сляются оценки в виде вероятностных степеней принадлежности к размытым (нечетким)
множества м или вероятности фактов-событий при распознавании образов полей в режиме
динамических наблюдений.
Нейронная форма предполагает использование в узловых элементах сети мульти-
пликативно-аддитивного базиса с пороговым или нелинейно-ограниченным выходом. Сила
коннекций трактуется здесь как сила семантических связей нейронов и определяется
только путем обучения. Нейронная форма ассоциативного отображения знаний по срав-
нению с простой нейронной сетью всегда структурирована, т.е. состоит из иерархически
объединенных локальных нейросетей.
Универсальная форма использует базис узловых элементов сети, настраиваемый из
условий наилучшего отображения системы знаний. Как правило, такая форма применяется
для представления сложных систем знаний, поэтому она имеет средства структуризации.
Компонентом структуры может быть объект, например, содержащий локальную систему
знаний, средства наполнения или коррекции ее путем обучения, интерфейсные средства
ввода – вывода и обмена с другими объектами (или ЭК). Такие системы относятся к раз-
ряду когнитивных. В настоящее время когнитивные системы ассоциативных моделей зна-
ний интенсивно изучаются. Программная поддержка ассоциативных ИС осуществляется
только специализированными инструментальными средствами: STARAN – пакет для раз-
работки ассоциативной памяти, BRAINMAKER – пакет нейросетевой, FUZZY TECH –
пакет для разработки нечетких систем.
Принятие решений в моделях знаний осуществляется путем вывода заключений с
использованием определенным образом формализованных знаний о проблемной области.
Логический вывод может быть строгим, использующим формальные системы, например,
предикатного типа, и нестрогим, например, на продукциях, в котором допускаются не-
которые эвристики и нет строгой формализации. Вывод на предикатах реализуется с
помощью унификации, резолюции и поиска в глубину и ширину. Он автоматизирован в
языке PROLOG. Для систем продукций применяется вывод по прямой и обратной це-
почке (дедуктивный вывод) или на основе обобщения примеров (индуктивный вывод).
Вывод на сетях объектов осуществляется с использованием процедур наложения,
Общие принципы построения и закономерности функционирования...
«Штучний інтелект» 3’2011 11
1А
сопоставления, наследования, передачи сообщений и специальных присоединительных
процедур. Вывод в ассоциативных сетях производится на основе обучения с помощью
многократного ассоциативного процессирования примеров правильного вывода. После
обучения сеть становится способной к выводу при подаче на ее вход вектора данных
(образа поля). Параллельный характер вывода приводит к значительному ускорению
процесса принятия решений.
Закономерности функционирования СК – ИС
Одна из основных системных проблем, согласно [9], это проблема целостности,
или эмерджентности, когда свойства системы все еще зависят от свойств составляющих
ее элементов (ЭК), но в то же время они не являются простой суммой свойств этих
элементов. Это означает, что объединенные в систему элементы утрачивают, как правило,
часть своих свойств, присущих им вне системы, но, с другой стороны, элементы, попав
в систему, могут приобрести новые свойства. Двойственной по отношению к законо-
мерности целостности является закономерность аддитивности. Свойство физической
аддитивности проявляется у системы как бы распавшейся на независимые элементы.
Любая развивающаяся система находится, как правило, между состоянием абсолютной
целостности и абсолютной аддитивности, при этом выделяемое состояние системы можно
охарактеризовать степенью проявления одного из этих свойств или тенденцией к его
нарастанию или уменьшению. Для оценки этих тенденций в работе [10] вводятся две
сопряженные закономерности: прогрессирующая факторизация – стремление системы к
состоянию со все более независимыми элементами; прогрессирующая систематизация –
стремление системы к уменьшению самостоятельности элементов, т.е. к большей це-
лостности. В качестве синонима целостности иногда используется термин интегра-
тивность. Вместе с тем некоторые исследователи [11] рассматривают интегративность
как самостоятельную закономерность, объединяющую системообразующие, системо-
охраняющие факторы, среди которых важную роль играют неоднородность и противо-
речивость элементов, с одной стороны, и их взаимосвязь (взаимозависимость), с
другой. Стохастические взаимосвязи между элементами системы и взаимодействие систе-
мы с внешним информационным полем могут характеризоваться закономерностями
иерархической упорядоченности, такими как коммуникативность и иерархичность.
Коммуникативность отражает способность системы воспринимать информацию извне и
оценивать изменение интенсивности информационного потока. Иерархическая упорядо-
ченность – это закономерность построения ИС, она помогает лучше понять и исследовать
феномен сложности [12-14]. Л. фон Берталанфи [9] показал связь иерархической упо-
рядоченности с явлениями дифференциации и негэнтропийными тенденциями, т.е. с
закономерностями самоорганизации (развития) систем. Самоорганизация характеризует
способность сложных систем выходить на новый уровень развития и развивать анти-
энтропийные (негэнтропийные) тенденции, адаптироваться к изменяющимся условиям,
преобразуя при необходимости свою структуру, сохраняя при этом определенную устой-
чивость. Системы, обладающие этими свойствами, являются самоорганизующимися или
развивающимися.
Динамика функционирования СК – ИС
СК – ИС представляют собой сложные, иерархически организованные системы,
обладающие определённой структурой. При этом важнейшее свойство структуры –
относительность её устойчивости, т.е. она существует, но при этом постоянно изме-
няется, она динамична в силу изменения во времени свойств как отдельных элементов,
Анцыферов С.С.
«Искусственный интеллект» 3’2011 12
1А
так и их взаимосвязей между собой. Системы, достигшие высокого уровня организации,
обеспечивающего непрерывное изменение структуры, приобретают способность эф-
фективно использовать информацию, сохранять (или повышать) свой уровень органи-
зации и способствовать оптимизации своей энтропии. Таким образом, под организацией
СК – ИС будем понимать изменение её структуры, обеспечивающее функционирование,
адекватное внешним условиям. Конкретная конфигурация структуры существует только
в строго определённых условиях и в определённые временные моменты, т.е. в определён-
ные моменты адаптации. Приняв в качестве меры организованности систем энтропию,
будем в дальнейшем рассматривать её как функцию их состояния. Положим, что энтро-
пия Н является непрерывной дифференцируемой функцией, характеризующей состояние
системы. Предположим, что новое состояние системы в момент времени tt является
функцией её состояния в момент времени t и что изменение энтропии за время t
пропорционально значению этого параметра в момент t:
kH
dt
dH
, (1)
где k – коэффициент пропорциональности.
Будем полагать, что
JHIk , (2)
где I – приращение интенсивности информационного потока в системе;
J – приращение интенсивности использования (обработки) информационно-
го потока.
Тогда
2)( JHIHHJHI
dt
dH
.
(3)
Последнее соотношение представляет собой нелинейное дифференциальное урав-
нение, которое будем рассматривать как математическую модель динамики функцио-
нирования СК – ИС. В процессе функционирования СК – ИС испытывают различного
рода возмущения: непрерывное случайное или систематическое изменение внешних ус-
ловий; внутренние флуктуации в самих системах в результате взаимодействия элементов.
Под влиянием возмущений происходит непрерывное изменение I и J , что приводит
к флуктуациям энтропии H .
Чтобы найти аналитическое решение уравнения (3), необходимо свести его к ли-
нейному неоднородному уравнению. Для этого производную энтропии по времени не-
обходимо представить как
.2JHIHH (4)
и сделать следующие замены
,
1
,
1
G
H
H
G
(5)
2
22 ,
G
G
HHGG
.
(6)
После подстановки (5) и (6) в (4) получим
22
11
G
J
G
I
G
G
. (7)
Общие принципы построения и закономерности функционирования...
«Штучний інтелект» 3’2011 13
1А
Отсюда
JIGG . (8)
Найдем решение однородного уравнения:
IGG ,
Idt
G
dG
,
2
1
21
)(lnln
dttIGG ,
2
12
1 )(ln
dttI
G
G
,
2
1
21
)(
dttI
eGG
,
2
1
)(
21 ),(
dttI
eQ .
Общее решение уравнения (7):
2
1
21
)(),(),( 121
dttJtQGQG ,
dttJeeGG t
dttIdttI
)(
2
1
12
1
21
)()(
.
Возвращаясь к исходному уравнению (4), получим
dttJeeG
H
t
dttJdttI
)(
1
2
1
12
1
2
)()(
, (9)
где
2
2
1
H
G ; 2
H – начальное значение энтропии.
При constI
dttJee
H
H
tII )(
1
1
2
1
212
2
)()(
. (10)
Анцыферов С.С.
«Искусственный интеллект» 3’2011 14
1А
При constI и constJ
;,
11
1
21
)( 21
2
Ie
JH
IJ
I
H
(11)
.)(lim
J
I
tH
t
(12)
Последнее означает, что энтропия не возрастает беспредельно, а ограничена сверху
величиной J
I
. При этом I и J могут принимать как положительные, так и отрица-
тельные значения, могут быть равными нулю. Область значения функции )(tH представ-
ляет отрезок
J
I
;0 . Из функционального определения энтропии как меры упорядочен-
ности системы следует, что функция )(tH должна быть всегда положительна. Решение
уравнения (4) позволяет определять траектории изменения состояний систем во времени,
а также условия и области устойчивого и неустойчивого функционирования.
Выводы
Разработка методологии построения СК – ИС сопряжена с установлением прин-
ципов построения, закономерностей их функционирования и соответствующих моде-
лей знаний. Основу построения СК – ИС составляют принципы многокомпонентности
и многосвязности, когда между ЭК в процессе адаптации устанавливаются стохасти-
ческие информационные регулируемые связи (коннекции).
Мощным средством построения иерархических систем знаний при обработке ин-
формации пространственно-временных полей является фреймовая форма. Перспективны
когнитивные системы ассоциативных моделей знаний.
Стохастические взаимосвязи между ЭК и взаимодействие СК – ИС с внешним ин-
формационным полем могут характеризоваться закономерностями иерархической упо-
рядоченности, такими как коммуникативность и иерархичность.
В качестве меры организованности СК – ИС может быть принята энтропия как
функция их состояния. Рассматривая энтропию как непрерывно дифференцируемую
функцию, можно с ее помощью определять траектории изменения состояний систем во
времени, а также условия и области устойчивогои неустойчивого функционирования.
Литература
1. Анцыферов С.С. Повышение интеллектуального потенциала адаптивных информационно-распо-
знающих систем / С.С. Анцыферов // Искусственный интеллект. – 2010. – № 4. – С. 330-336.
2. Анцыферов Е.С. Управление качеством проектирования адаптивных информационно-распознающих
систем с программируемой структурой / Е.С. Анцыферов, А.С. Сигов, Б.И. Голубь // Материалы
МНТК «Фундаментальные проблемы радиоэлектронного приборостроения – INTERMATIC-2004». –
М. : МИРЭА, 2004. – С. 193-195.
3. Экспертное управление качеством интеллектуальной продукции / Е.С. Анцыферов, А.С. Сигов,
Б.И. Голубь, С.В. Ширяев // Материалы МНТК «Искусственный интеллект, интеллектуальные и
многопроцессорные системы». – Таганрог ; Донецк, 2004. – Т. 2. – С. 63-67.
4. Анцыферов С.С. Управление качеством синтеза структуры адаптивных информационно-распозна-
ющих систем / С.С. Анцыферов, Е.С. Анцыферов, А.С. Сигов // Материалы МНТК «Интеллекту-
альные и многопроцессорные системы – ИМС – 2005». – Таганрог ; Донецк ; Минск, 2005. – Т. 1. –
С. 104-109.
Общие принципы построения и закономерности функционирования...
«Штучний інтелект» 3’2011 15
1А
5. Анцыферов С.С. Системные принципы управления качеством проектирования адаптивных инфор-
мационно-распознающих систем / С.С. Анцыферов, Е.С. Анцыферов, А.С. Сигов // Известия ТРТУ. –
2005. – № 100. – С. 167-174.
6. Анцыферов С.С. Методология адаптивного управления качеством наукоемкой продукции // С.С. Ан-
цыферов, Е.С. Анцыферов, А.С. Сигов // Материалы МНТК «Искусственный интеллект. Интел-
лектуальные и многопроцессорные системы: ИИ-ИМС 2006». – Таганрог ; Донецк ; Минск, 2006. –
Т. 1. – С. 21-25.
7. Анцыферов Е.С. Вероятностное управление качеством диагностики заболеваний / Е.С. Анцыферов,
С.В. Ширяев, О.П. Ленская // Доклады МНТК «Физика и радиоэлектроника в медицине и экологии –
ФРЭМЭ-2004». – Владимир : ВГУ, 2004. – Кн. 1. – С. 153-156.
8. Анцыферов Е.С. Вероятностное управление качеством лечения / Е.С. Анцыферов, В.В. Лазарева,
О.П. Ленская // Доклады МНТК «Физика и радиоэлектроника в медицине и экологии – ФРЭМЭ-
2004». – Владимир : ВГУ, 2004. – Кн. 1. – С. 156-159.
9. Берталанфи Л. Общая теория систем: критический обзор // Исследования по общей теории систем /
Л. Берталанфи. – М. : Прогресс, 1969. – С. 23-82.
10. Холл А. Опыт методологии для системотехники / Холл А. – М. : Сов. радио, 1975.
11. Афанасьев В.Г. Проблема целостности в философии и биологии / Афанасьев В.Г. – М. : Мысль,
1984.
12. Анцыферов С.С. Структурно-стохастический метод обработки и распознавания информации теп-
ловых изображений / С.С. Анцыферов, Н.Д. Куртев // Оптический журнал. – 1977. – Т. 64, № 2. –
С. 35-37.
13. Анцыферов С.С. Формирование спектра тепловых изображений объектов и распознавание их об-
разов / С.С. Анцыферов // Оптический журнал. – 1999. – Т. 66, № 12. – С. 46-48.
14. Antsyferov S.S. Forming the spectrum of thermal images of objects and recognizing their patterns / S.S. An-
tsyferov // J. Opt. Technol. – T. 66 (12). – P. 1047-1049.
Literatura
1. Ancyferov S.S. Iskusstvennyj intellekt. 2010. № 4. S. 330-336.
2. Ancyferov E.S. Materialy MNTK “Fundamental'nye problemy radiojelektronnogo priborostroenija –
INTERMATIC-2004”. M.: MIRJeA. 2004. S. 193-195.
3. Ancyferov E.S. Materialy MNTK “Iskusstvennyj intellekt, intellektual'nye i mnogoprocessornye
sistemy”. Taganrog-Doneck. 2004. T. 2. S. 63-67.
4. Ancyferov S.S. Materialy MNTK “Intellekutal'nye i mnogoprocessornye sistemy – IMS – 2005”.
Taganrog-Doneck-Minsk. 2005. T. 1. S. 104-109.
5. Ancyferov S.S. Izvestija TRTU. 2005. № 100. S. 167-174.
6. Ancyferov S.S. Materialy MNTK “Iskusstvennyj intellekt. Intellektual'nye i mnogoprocessornye sistemy:
II-IMS 2006”. Taganrog-Doneck-Minsk. 2006. T1. S 21-25.
7. Ancyferov E.S. Doklady MNTK “Fizika i radiojelektronika v medicine i jekologii – FRJeMJe 2004”.
Vladimir: VGU. 2004. Kn 1. S 153-156
8. Ancyferov E.S. Fizika i radiojelektronika v medicine i jekologii – FRJeMJe 2004. Vladimir : VGU. 2004.
Kn 1. S 156-159
9. Bertalanfi L. Obshhaja teorija sistem: kriticheskij obzor // Issledovanija po obshhej teorii sistem. M.:
Progress, 1969. S 23-82
10. Holl A. Opyt metodologii dlja sistemotehniki. M. : Sov radio. 1975.
11. Afanas'ev V.G. Problema celostnosti v filosofii i biologii. M. : Mysl’. 1984.
12. Ancyferov S.S. Opticheskij zhurnal. 1977. T. 64. № 2. S. 35-37.
13. Ancyferov S.S. Opticheskij zhurnal. 1999. T. 66. № 12. S. 46-48.
14. Antsyferov S.S. Opt Technol. T 66 (12). P. 1047-1049.
S.S. Antsyferov
The General Principles of Construction and Laws of Functioning of Intellectual Systems
The problem of development of methodology for symbolist and connectivist intellectual systems is set in the
article. That occurs due to an establishment of principles of construction and laws of functioning, as well as
to definition of corresponding models of knowledge of such systems. It is offered to estimate dynamics of
functioning of systems by means of entropy as a function of their condition.
Статья поступила в редакцию 31.05.2011.
|