Метрология интеллектуальных систем

В статье рассмотрены системные принципы метрологического обеспечения проектирования систем с элементами искусственного интеллекта. Структурно-стохастический принцип аппроксимации информации пространственно-временных полей обеспечивает преодоление существенной априорной неопределенности и высокие...

Full description

Saved in:

Bibliographic Details
Date:	2008
Main Author:	Анцыферов, С.С.
Format:	Article
Language:	Russian
Published:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Subjects:	Концептуальные проблемы искусственного интеллекта
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/6816
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:	Метрология интеллектуальных систем / С.С. Анцыферов // Штучний інтелект. — 2008. — № 3. — С. 18-27. — Бібліогр.: 3 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859900331372052480
author	Анцыферов, С.С.
author_facet	Анцыферов, С.С.
citation_txt	Метрология интеллектуальных систем / С.С. Анцыферов // Штучний інтелект. — 2008. — № 3. — С. 18-27. — Бібліогр.: 3 назв. — рос.
collection	DSpace DC
description	В статье рассмотрены системные принципы метрологического обеспечения проектирования систем с элементами искусственного интеллекта. Структурно-стохастический принцип аппроксимации информации пространственно-временных полей обеспечивает преодоление существенной априорной неопределенности и высокие метрологические показатели по скорости адаптации, достоверности и устойчивости результатов. У статті розглянуті системні принципи метрологічного забезпечення проектування систем з елементами штучного інтелекту. Структурно-стохастичний принцип апроксимації інформації просторово-часових полів забезпечує подолання істотної апріорної невизначеності і високі метрологічні показники швидкості адаптації, достовірності і стійкості результатів. The system principles of metrological assurance of intellectual systems designing, i.e. the systems with elements of an artificial intelligence are considered. The structurally-stochastic principle of approximation ensures overcoming of essential a priori indeterminacy and assures high metrology parameters on a velocity of adaptation, reliability of results.
first_indexed	2025-12-07T15:57:12Z
format	Article
fulltext	«Искусственный интеллект» 3’2008 18 1А УДК 681.518.5; 621.384.3 С.С. Анцыферов Московский государственный институт радиотехники, электроники и автоматики (технический университет), г. Москва, Россия Antsyfer@yandex. ru. Метрология интеллектуальных систем В статье рассмотрены системные принципы метрологического обеспечения проектирования систем с элементами искусственного интеллекта. Структурно-стохастический принцип аппроксимации информации пространственно-временных полей обеспечивает преодоление существенной априорной неопределенности и высокие метрологические показатели по скорости адаптации, достоверности и устойчивости результатов. Введение При решении проблем, связанных с оценкой состояний широкого класса исследуемых объектов, с целью последующего принятия решений и выбора стратегии управления сложными процессами, все большее распространение получают методы, основанные на использовании информации полей различной физической природы. Значительное место среди этих полей занимают пространственно-временные поля, образуемые практически всеми объектами природной и техногенной среды в широком спектральном диапазоне. Путем использования информации пространственно-временных полей решаются такие задачи, как оценка качества теплоизоляции объектов с энергетической установкой, экологический мониторинг окружающей среды, медицинская диагностика и др. По мере расширения круга решаемых задач и их усложнения, к системам обработки информации полей предъявляются все более жесткие требования по основным метрологическим показателям их эффективности: высокая достоверность при ограниченном времени получения конечных результатов, устранение фактора субъективности при принятии решений, быстрая адаптируемость к новым задачам, высокая устойчивость результатов. Физические поля большого числа технических и медицинских объектов довольно разнообразны и сложны по своей структуре, а поэтому, как правило, требуют для интерпретации и последующего принятия решений специалистов высокой квалификации. Высококвалифицированные специалисты при анализе информации полей быстро утомляются, что в условиях дефицита времени приводит к недопустимому возрастанию числа ошибочных решений. Особенно проблематична безошибочная интерпретация оператором изменяющихся во времени реализаций полей, т.е. при проведении динамических наблюдений. Создание же автоматизированных систем, требующих предварительной настройки, связано с длительными по времени процессами изучения структурных особенностей полей и установления корреляционных связей между структурой полей и состояниями исследуемых объектов, т.е. с накоплением базы знаний. Как показывает практика, такой «ручной» способ накопления знаний крайне неэффективен и поэтому часто происходит отказ от решения той или иной практической задачи. В связи с этим актуальна проблема разработки принципов метрологического обеспечения адаптивного управления обработкой информации широкого класса пространственно-временных полей, обеспечивающего выполнение указанных требований в условиях существенной априорной неопределенности как о характере структуры Метрология интеллектуальных систем «Штучний інтелект» 3’2008 19 1А текущих реализаций полей и числе образуемых ими диагностических классов, так и об истинных состояниях исследуемых объектов. Суть данной проблемы сводится к созданию метрологического обеспечения методологии проектирования систем принципиального нового класса – адаптивных информационно-распознающих систем (АИРС), обеспечивающих возможность быстрого приобретения новых знаний о мало- изученных процессах. При этом поля, отражающие различные состояния исследу- емых объектов, предъявляются в режиме адаптации без указания принадлежности к тому или иному классу, а используемые в АИРС принципы управления обработкой должны обеспечить определение числа и характеристик образов полей в простран- стве их представления (описания) практически в реальном масштабе времени. Указанная проблема является составной частью общей, фундаментальной проблемы, связанной с созданием математических моделей систем с элементами искусственного интеллекта. Особую остроту данная проблема приобретает при обработке информации пространственно-временных полей, обладающих сильно выраженной изотропностью и образующих значительные области взаимного перекрытия диагностических классов (образов). Цель работы Разработка системных принципов метрологического обеспечения адаптивного управления обработкой информации пространственно-временных полей. Постановка задачи Идентификационные признаки информации реализаций полей можно представить в виде изменяющихся во времени совокупностей пространственно ориентированных градиентов, образующих связные конфигурации разных размеров (площадей). Такое определение признаков делает возможным реализацию принципа измеримости информации полей. Однако при этом существует целый ряд факторов, оказывающих мешающее воздействие: сочетание, неоднозначность и инверсный характер различных признаков, маскирующий эффект структуры полей. Действие перечисленных факторов и приводит к образованию значительных областей взаимного перекрытия диагностических классов (образов), что, в свою очередь, определяет вероятностный (стохастический) характер виртуального пространства функцио- нирования систем, а также принципов формализации процедур управления адаптацией и распознаванием образов полей. Если в качестве общей модели измерений использовать дифференциальное уравнение вида: ),,,,( tUSBB ϕ= (1) где B – вектор значений измеренных параметров идентификационных признаков (вектор сообщений); S – вектор состояний исследуемого объекта; U – погрешность измерений, то оптимальная оценка вектора S, дающая решение задачи, будет определяться соотношением вида: [ ]t tt BSMS 0= ∧ , (2) t tB 0 – совокупность значений векторов сообщений в интервале времени ];[ 0 tt . Практическое применение соотношения (2) связано с поиском апостериорного распределения S. Это очень сложная задача, решение которой в общем случае пока не найдено. Теоретически, согласно методам теории стохастических дифференциальных уравнений, для нахождения оптимальных оценок вектора состояний необходимо решить уравнение апостериорной плотности вероятности вектора состояния S после Анцыферов С.С. «Искусственный интеллект» 3’2008 20 1А получения результатов измерений. Решение о том, к какому из классов (образов) принадлежит данная реализация поля, обычно принимается по максимуму апостериорной вероятности. Однако следует отметить, что методов точного решения подобных уравнений пока не существует. Численное же их решение в практических задачах также оказывается невозможным из-за несуразно больших временных и вычислительных затрат. Применение приближенных методов ограничивается высо- ким порядком дифференциальных уравнений, при этом число уравнений быстро растёт с увеличением числа измеряемых параметров. Кроме того, в случаях стохастического (вероятностного) разделения полей на дискретное множество образов приходится стал- киваться с необходимостью формирования обучающих выборок несуразно больших размеров даже при относительно небольшом числе образов. Так, например, при общем (небольшом) числе алгоритмических констант, равном 20, необходимый размер обучающей выборки при разделении только на два образа (класса) окажется равным примерно 106, чего уже вполне достаточно для отказа от использования стохасти- ческого подхода, а следовательно, и от решения указанной проблемы, тем более, что ситуация усугубляется отсутствием априорной информации как о реальном числе обра- зов, так и степени информативности признаков. Выход видится в использовании элементов структурного подхода, согласно которому всё множество пространственных градиентов делится по свойствам измери- мости и связности на непересекающиеся подмножества – элементарные составляющие, образующие ортогональный базис [1], [2] и являющиеся способом отражения (формали- зации) идентификационных признаков реализаций полей. Множество элементарных составляющих определяет, в свою очередь, допустимое множество образов полей. Каждая элементарная составляющая измерима через число её элементарных компонентов и число связей между ними. С помощью структурного подхода можно добиться суще- ственного снижения требований к объёмам обучающих выборок, т.к. каждой конкретной совокупности соответствует существенно меньшее число алгоритмических констант, чем их возможному множеству. Таким образом, решение поставленной научной проблемы возможно в рамках структурно-стохастического принципа аппроксимации виртуального пространства адаптивного управления обработкой информации полей. Метрология структурно-стохастического принципа управления Согласно данному принципу пространственно-временное поле можно рассматри- вать как некоторую случайную функцию следующего вида { } ( )∑≈ i ii tyxfttI ,,)()( υ , qi ,1= , (3) где { })(tiυ – множество значений весовых коэффициентов i -й элементарной составля- ющей; ( )tyxfi ,, – бинарное изображение i -й элементарной составляющей; q – число составляющих. Данная модель позволяет реализовать многоуровневый иерархический метод структурного анализа, согласно которому происходит поочерёдное выделение составля- ющих с одновременным оцениванием их весовых коэффициентов и определением значений идентификационных параметров. В основу построения алгоритмов выделения элементарных составляющих положен принцип логической фильтрации. Результатом работы алгоритмов является принятие решения по каждому элементу поля о его принадлежности к той или иной составляющей. В основу построения алгоритма форми- рования изображений элементарных составляющих положен принцип объединения бинарных элементов в связные совокупности, который реализуется путем последователь- Метрология интеллектуальных систем «Штучний інтелект» 3’2008 21 1А ного наращивания множества без учета возможных направлений его распространения, т.е. применением алгоритма перебора в ширину. В основу определения значений иденти- фикационных параметров положен принцип измеримости информации полей. В итоге формируется вектор значений параметров (вектор сообщений). Обработка пространственно-временного поля производится на каждом такте kt , т.е. в каждый момент времени поступления очередной реализации поля. По окончании обработки выдается результат в виде некоторого сообщения ka ={n; 1a ,..., na } k , где n – число отдельных (парциональных) сообщений. Для всей последовательности реализаций поля может быть построена траектория изменения значений векторов сообщений во времени ( )tal , представляющая, по существу, образ поля. В качестве образа структурно-подобного подмножества полей будет выступать не отдельная траектория, а некоторая их совокупность – трубка близких, в некотором смысле, тра- екторий lA . Рассматривая каждую из полученных реализаций как некоторый случайный процесс, естественно использовать в качестве меры близости траекторий вероятностную меру – максимум апостериорной вероятности, обеспечивающий минимум средних потерь. Априорные вероятностные свойства любой траектории ( )tal могут быть заданы совместными конечномерными плотностями вероятности в точках ее отсчета ),...,(),...,( 1,...,1)(),...,( 11 kttktata aaPaaP kkll = . (4) Апостериорную плотность вероятности траектории ( )tal представим как условную плотность распределения, когда уже получен ряд текущих векторов сообщений kbb ,...,1 в моменты времени ktt ,...,1 , в виде формулы Байеса =≡≡ ),...,,...,(~~ 11 kklll bbaaPPη ),,...,( ),...,( ),...,,...,( 1, 1 11 1 ktt kl kkl aaP bbP aabbP k…= (5) где ( )kkl aabbP ,...,,..., 11 имеет смысл условной плотности вероятности распределения значений векторов kbb ,...,1 ; ),...,( 1,...,1 ktt aaP k – совместной плотности вероятности значе- ний векторов kaa ,...,1 ; ),...,( 1 kl bbP – совместной плотности вероятности значений векторов kbb ,...,1 на l -траектории. Совместная плотность вероятности значений векторов kaa ,...,1 и kbb ,...,1 может быть найдена путем интегрирования произведения в числителе соотношения (5) по 11,..., −kaa . Знаменатель соотношения (5) представляет собой безусловную плотность вероятности значений kbb ,...,1 , которая может быть найдена путем интегрирования того же произведения по всем kaa ,...,1 . Представляя условную плотность, входящую в числитель (5), на основании теоремы умножения вероятностей и выполняя указанные операции интегрирования, получим kkkll A A kkklkkkkl kkkll A A kkklkkkkll dadaaaaPabPaabbP aabbbPaaabbbP dadaaaaPabPaabbP aabbbPaaabbbPkP ……… …………… ……… …………… 111112112 112111111 1111112112 112111111 ),,,()(),;( ),,;,,(),,,;,,(... ),,,()(),;( ),,;,,(),,,;,,(...)(~ − −−−−− −− −−−−− × ×× × ××= ∫ ∫ ∫ ∫ . (6) Анцыферов С.С. «Искусственный интеллект» 3’2008 22 1А Чтобы упростить последнее соотношение, будем полагать, что между сообщениями, получаемыми в последовательные моменты времени, существует вероятностная взаимо- связь, аппроксимируемая марковским процессом. В результате такой аппроксимации соотношение (6) принимает следующий вид klkkl A A lllkklkkl klkkl A A lllkklkkll dadaaaPaaP aPabPabPabPabP dadaaaPaaP aPabPabPabPabPkP ...)()( )()()(...)()(... ...)()( )()()(...)()(...)(~ 1121 1112211 11121 1112211 ××× ××× ××× ×××= − −− −− −− ∫ ∫ ∫ ∫ … … . (7) После выполнения ряда преобразований, направленных на устранение операции многомерного интегрирования, получим , )()( )()( )(~ ∫ =≡ A kkkll kkll ll daabPkP abPkP kPη (8) где ( )kPl имеет смысл априорной плотности вероятности принадлежности текущего сообщения траектории ( )tal , а ( )kkl abP – функции правдоподобия. Результатом выпол- ненных аппроксимаций является стохастическое описание виртуального простран- ства – стохастические образы структуры векторов сообщений. Процедура распознавания является составной частью процесса адаптации. Случай перекрывающихся трубок (образов) только подчеркивает стохастический характер задачи, а предложенная стохастическая модель образа структуры векторов сообщений оказывается полностью ему адекватной. Для отыскания наилучшего значения вектора параметров образов ρ, миними- зирующего величину оценки среднего риска )( kρℜ и сходящегося при ∞→k к зна- чению ρ*, минимизирующего, в свою очередь, величину самого среднего риска, можно использовать рекуррентное соотношение следующего вида: ),(),( 1 1 1 − − − ∇−= kklkkkkk babgD ρηρρ ρ . (9) Здесь критерием оптимизации параметров образов служит градиент меры принадлеж- ности ),( 1−∇ kkl b ρηρ к образу ( ),( kk abg – функция потерь). Данный критерий оптими- зации позволяет существенно ускорить процесс адаптации, особенно в случае перекрывающихся трубок траекторий, не меняя по существу режим распознавания, в котором главным критерием остаётся ll PMAXMAX ~≡η . Важной новой составляющей процесса адаптации является формирование «следов» текущей траектории – результатов коррекции параметров существующих образов. Это позволяет путем определения меры принадлежности опорной траектории к «следу» и последующего определения градиента меры её принадлежности к опорному и скорректированному образам принять одно из решений: текущая траектория принадлежит трубке (образу) lA , а ее след lA′ является скорректированным опорным образом lA ; «след» текущей траектории является прообразом и в дальнейшем служит основой для формирования новой трубки траекторий (нового образа). Следствием взаимного перекрытия трубок траекторий (образов) является изменение уровня (меры) информативности векторов сообщений. Кроме того, в Метрология интеллектуальных систем «Штучний інтелект» 3’2008 23 1А процессе динамических наблюдений меры информативности элементарных составля- ющих поля, а соответственно и описывающих эти составляющие векторов сообщений, непрерывно изменяются за счет процесса усиления одних и ослабления других составляющих. В качестве оптимального правила оценки значений мер информатив- ности векторов сообщений, адекватного многокомпонентному характеру реализаций поля и учитывающего существование некоторого закона информативной связи между значениями парциального сообщения { }k jjb β≡ в различные моменты времени, можно использовать определение апостериорной плотности вероятности математи- ческого ожидания переменной идентификации k jle в k-й момент времени при условии, что известны аналогичные оценки и значения сообщения jβ во всех предыдущих тактах ( ) ( )k jj k jljl k jl k jl k jl eeePeP ββµ ,...,;,...,\|~ 111 −=≡ . (10) Вводя марковскую аппроксимацию на последовательное изменение меры информатив- ности сообщения от одного момента времени до другого, получим взаимосвязанную пару рекуррентных соотношений, позволяющую находить оценки мер информативности как в данный момент времени, так и в следующий: ( ) ( ) ( ) ( ) ( ) , \| \|~ ∫ = B k jl k jl k jl k j k jl k jlk jl dePeP ePeP eP ββ β (11) где ( ) ( ) ( )deeePePeP k jl k jl E k jl k jl 11 \|~ −−∫= . (12) Соотношения (11) и (12) обеспечивают возможность построения стохастических образов мер информативности каждой из элементарных составляющих и соответ- ствующих им векторов сообщений. Определение функции правдоподобия ( )k j k jleP β\| осуществлялось исходя из того, что её вид должен соответствовать наихудшему виду функции распределения для каждого из сообщений (диагностических параметров), т.е. виду, приводящему к образованию зон взаимного перекрытия между трубками, к размытию границ между ними (рис. 1). Аппроксимация потока векторов сообщений марковским процессом определяет вид стохастического образа динамики этого потока. Наличие этого образа полностью раскрывает механизм селекции сообщений, что обеспечивает устойчивость режимов обработки информации. Оценка метрологических параметров структурно-стохастической модели АИРС проводилась как путем моделирования по методу Монте-Карло, так и путем обработки реализации полей реальных физических объектов. Как показали результаты моделирования, способ управления дискриминаторной характеристикой (градиентом меры принадлежности) с ограничением диапазона изменения межтактовой разности функции правдоподобия обеспечивает повышение скорости сходимости почти в 1,5 раза в случае двух соприкасающихся трубок траекторий и числе идентификационных параметров по каждой элементарной составляющей (число составляющих 5), равном 5. Радикальное улучшение условий адаптации в случае соприкасающихся трубок траекторий достигается при использовании способа управления с ограничением в сочетании с управляемым выбором корректирующих коэффициентов в рекуррентном соотношении (9). Исследование скорости сходимости при различных условиях взаимного перекрытия трубок траекторий показало, что ухудшение сходимости до некоторых пределов почти пропорционально увеличению степени перекрытия, после чего сходи- мость просто не достигается (кривая 4 на рис. 2). Анцыферов С.С. «Искусственный интеллект» 3’2008 24 1А Рисунок 1 – Функции распределения и правдоподобия в зоне перекрытия Рисунок 2 – Зависимость сходимости от степени перекрытия трубок траекторий Метрология интеллектуальных систем «Штучний інтелект» 3’2008 25 1А Использование стохастического образа мер информативности для управления адаптацией в случае перекрывающихся трубок траекторий сводится к информативному «взвешиванию» стохастического образа структуры векторов сообщений путем умножения его на ( )k lEP . В таком случае ( ) ( ) 1,1, )( −− ∆=∇ kkll k lkk abPkPEPη (13) Тогда, с учетом влияния ( )kPl и имеющего нормальное распределение ( )k lEP с 321 σσσ << , дискриминаторные характеристики имеют вид, представленный на рис. 3. Введение пороговых ограничений по ( )abPl∆ предотвращает образование ложных следов траекторий, делающих процесс адаптации практически невозможным. Как показали результаты моделирования, учет меры информативности приводит к заметному ускорению сходимости в условиях взаимного перекрытия трубок траекторий, причем способ порогового ограничения векторов сообщений по мере информативности эффективен в широком диапазоне возможных уровней перекрытия. Проведенный анализ показал также, что для интенсивных потоков, содержащих большое число элементарных компонент, эффективно управление, связанное с селекцией векторов сообщений по информативности. Наличие в составе трубок неверно отнесенных к ним траекторий (погрешности адаптации) изменяет крутизну дискриминаторной характеристики, а следовательно, снижает скорость сходимости. Рисунок 3 – Дискриминаторные характеристики Вероятность ошибки распознавания с учетом погрешностей адаптации определяется следующим соотношением: ( ) ошош PPPP 12121 2 1~ −+−−= , (14) где ошP – вероятность ошибки при отсутствии погрешности адаптации; P – вероятность безошибочной адаптации. Данная зависимость представлена на рис. 4. Анцыферов С.С. «Искусственный интеллект» 3’2008 26 1А Рисунок 4 – Зависимость достоверности распознавания от погрешности адаптации Вводя в рассмотрение стохастический образ параметра семейства законов распреде- ления векторов сообщений и используя рекуррентное соотношение (9), можно найти оптимальные значения параметров данного образа для каждой трубки и для каждого такта траектории. В процессе моделирования данного режима было установлено улуч- шение сходимости в среднем примерно на 20 % и повышение устойчивости достовер- ности результатов (уменьшение вероятности ошибки) почти на 15 %. К наиболее реальным способам практической реализации АИРС можно отнести чисто программный и аппаратурно-программный с использованием микропроцессорных комплектов [3]. Эксперименты по использованию АИРС для решения задач ранней диагностики опухолевых заболеваний молочной железы при проведении массовых профилактических обследований показали, что в результате адаптации обучающая выборка пространственно-временных тепловых полей оказалась разделенной на три существенные с точки зрения конечного результата трубки траекторий (рис. 5) мер принадлежности: трубка 1 – соответствует классу нормы, 2 – мастопатии, 3 – подозрению на рак. Использование результатов адаптации позволило почти на 20 % поднять достовер- ность термографической диагностики и приблизить ее к 90 %. Рисунок 5 – Трубки траекторий мер принадлежности Метрология интеллектуальных систем «Штучний інтелект» 3’2008 27 1А Вывод Предложенные системные принципы метрологического обеспечения структурно- стохастического управления обработкой информации пространственно-временных полей позволяют создавать адаптивные информационно-распознающие системы, способные функционировать в условиях значительной априорной неопределенности и пересекае- мости образов полей, обеспечивая тем самым высокие уровни достоверности и устой- чивости результатов, а также существенное ускорение процессов приобретения новых знаний о связях между состояниями исследуемых объектов и их физическими полями. Литература 1. Анцыферов С.С. Формирование спектра тепловых изображений объектов и распознавание их образов // Оптический журнал. – 1999. – Т. 66, № 12. – С. 44-48. 2. Antsyferov S.S. Forming the spectrum of thermal images of objects and recognizing their patterns // J. Opt.Technol. – 1999. – V. 66(12). – P. 1047-1049. 3. Анцыферов С.С., Евтихиев Н.Н. Адаптивные системы распознавания образов пространственно- временных полей // Искусственный интеллект. – 2004. – № 3. – С. 405-416. С.С. Анциферов Метрологія інтелектуальних систем У статті розглянуті системні принципи метрологічного забезпечення проектування систем з елементами штучного інтелекту. Структурно-стохастичний принцип апроксимації інформації просторово-часових полів забезпечує подолання істотної апріорної невизначеності і високі метрологічні показники швидкості адаптації, достовірності і стійкості результатів. S.S. Antsyferov Metrology of Intellectual Systems The system principles of metrological assurance of intellectual systems designing, i.e. the systems with elements of an artificial intelligence are considered. The structurally-stochastic principle of approximation ensures overcoming of essential a priori indeterminacy and assures high metrology parameters on a velocity of adaptation, reliability of results. Статья поступила в редакцию 10.07.2008.
id	nasplib_isofts_kiev_ua-123456789-6816
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-12-07T15:57:12Z
publishDate	2008
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Анцыферов, С.С. 2010-03-18T12:26:09Z 2010-03-18T12:26:09Z 2008 Метрология интеллектуальных систем / С.С. Анцыферов // Штучний інтелект. — 2008. — № 3. — С. 18-27. — Бібліогр.: 3 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/6816 681.518.5; 621.384.3 В статье рассмотрены системные принципы метрологического обеспечения проектирования систем с элементами искусственного интеллекта. Структурно-стохастический принцип аппроксимации информации пространственно-временных полей обеспечивает преодоление существенной априорной неопределенности и высокие метрологические показатели по скорости адаптации, достоверности и устойчивости результатов. У статті розглянуті системні принципи метрологічного забезпечення проектування систем з елементами штучного інтелекту. Структурно-стохастичний принцип апроксимації інформації просторово-часових полів забезпечує подолання істотної апріорної невизначеності і високі метрологічні показники швидкості адаптації, достовірності і стійкості результатів. The system principles of metrological assurance of intellectual systems designing, i.e. the systems with elements of an artificial intelligence are considered. The structurally-stochastic principle of approximation ensures overcoming of essential a priori indeterminacy and assures high metrology parameters on a velocity of adaptation, reliability of results. ru Інститут проблем штучного інтелекту МОН України та НАН України Концептуальные проблемы искусственного интеллекта Метрология интеллектуальных систем Метрологія інтелектуальних систем Metrology of Intellectual Systems Article published earlier
spellingShingle	Метрология интеллектуальных систем Анцыферов, С.С. Концептуальные проблемы искусственного интеллекта
title	Метрология интеллектуальных систем
title_alt	Метрологія інтелектуальних систем Metrology of Intellectual Systems
title_full	Метрология интеллектуальных систем
title_fullStr	Метрология интеллектуальных систем
title_full_unstemmed	Метрология интеллектуальных систем
title_short	Метрология интеллектуальных систем
title_sort	метрология интеллектуальных систем
topic	Концептуальные проблемы искусственного интеллекта
topic_facet	Концептуальные проблемы искусственного интеллекта
url	https://nasplib.isofts.kiev.ua/handle/123456789/6816
work_keys_str_mv	AT ancyferovss metrologiâintellektualʹnyhsistem AT ancyferovss metrologíâíntelektualʹnihsistem AT ancyferovss metrologyofintellectualsystems

Метрология интеллектуальных систем

Institution

Similar Items