От искусственного интеллекта к искусственной личности
В статье рассматриваются некоторые вопросы реализации искусственной личности на базе нового типа нейронных сетей – растущих нейроподобных сетей. На примере распознавания изображений лиц людей показана возможность разработки искусственной личности, способной обучаться, приобретать информацию, анал...
Збережено в:
| Дата: | 2009 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2009
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/8104 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | От искусственного интеллекта к искусственной личности / А.И. Шевченко, В.А. Ященко // Штучний інтелект. — 2009. — № 3. — С. 492-505. — Бібліогр.: 10 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859940313059033088 |
|---|---|
| author | Шевченко, А.И. Ященко, В.А. |
| author_facet | Шевченко, А.И. Ященко, В.А. |
| citation_txt | От искусственного интеллекта к искусственной личности / А.И. Шевченко, В.А. Ященко // Штучний інтелект. — 2009. — № 3. — С. 492-505. — Бібліогр.: 10 назв. — рос. |
| collection | DSpace DC |
| description | В статье рассматриваются некоторые вопросы реализации искусственной личности на базе нового типа
нейронных сетей – растущих нейроподобных сетей. На примере распознавания изображений лиц людей
показана возможность разработки искусственной личности, способной обучаться, приобретать информацию,
анализировать и использовать ее.
У статті розглядаються деякі питання реалізації штучної остобистості на базі нового типу нейронних мереж –
зростаючих нейроподібних мереж. На прикладі розпізнавання зображень облич людей показана можливість
розробки штучної особистості здатної навчатися, набувати інформацію, аналізувати і використовувати її.
In clause is considered (examined) some questions of realization of the artificial person on the basis of a new
type neural of networks – growing neural of networks. On an example of recognition of the images of the
persons of the man the opportunity of development of the artificial person capable is shown to be trained, to
get the information, to analyze and to use it.
|
| first_indexed | 2025-12-07T16:10:48Z |
| format | Article |
| fulltext |
«Искусственный интеллект» 3’2009 492
10Ш
УДК 63.04
А.И. Шевченко, В.А. Ященко
Институт проблем искусственного интеллекта МОН Украины и НАН Украины,
г. Донецк, Украина
Институт проблем математических машин и систем НАН Украины, г. Киев
info@iai.donetsk.ua, Vitaliy.Yashchenko@gmail.com
От искусственного интеллекта
к искусственной личности
В статье рассматриваются некоторые вопросы реализации искусственной личности на базе нового типа
нейронных сетей – растущих нейроподобных сетей. На примере распознавания изображений лиц людей
показана возможность разработки искусственной личности, способной обучаться, приобретать информацию,
анализировать и использовать ее.
Введение
Анализ проблематики исследований в области искусственного интеллекта пока-
зывает, что в настоящее время, с одной стороны, идет интенсивная дифференциация
ее предметных областей и, с другой стороны, происходит своеобразная интеграция
исследований в рамках поиска возможностей построения общей теории. Интеграция
исследований диктуется необходимостью объединения всего комплекса исследова-
ний в области искусственного интеллекта в единое целое на основе общей универ-
сальной концепции или идеи, восходящей к своему функциональному прототипу:
думающей (мыслящей) и действующей (физически) личности – человеку.
Созданная универсальная концепция должна послужить в качестве творческой
идеи, которая дает возможность по-новому смотреть и интерпретировать окружаю-
щий мир, порождая новые искусственные объекты, системы и процессы, отражая но-
вые креатические возможности естественного интеллекта человека [1].
Целью данной работы является рассмотрение некоторых вопросов реализа-
ции искусственной личности на базе нового типа нейронных сетей – растущих нейро-
подобных сетей.
Искусственная личность
Для обеспечения развития познавательного процесса в замкнутых системах необ-
ходимо выйти за рамки системы сложившихся понятий и конструктивных элементов.
Основным требованием, которое можно было бы предъявить конструкту, выражаю-
щему этот метавзгляд, должна быть его «естественная искусственность» и его «искусст-
венная естественность» [2], полнота взгляда и взаимодействия с реальностью.
Особую сторону концептуального объекта составляет уровень его возможнос-
тей реализовывать результаты своей интеллектуальной деятельности. Речь идет о том,
разделены ли в конструкте умственные (мыслительные) и физические (двигательные)
функции. Другими словами, достаточно ли он определен в смысле теста А.Тьюринга
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 493
10Ш
для ответа на вопрос о его способности к мышлению, или ему еще требуется тест о
его достаточной физической (двигательной) роботоспособности. По отношению к
концептуальному конструкту естественно поставить вопрос о его антропоморфности.
С одной стороны, он должен быть антропоморфичен, как идеал, демонстрирующий
неограниченность совершенствования создаваемых человеком интеллектуальных
искусственных объектов законами природы. С другой стороны, он не должен быть
антропоморфичен как реальный объект с ограниченными возможностями в условиях
достигнутого к настоящему времени уровня развития человеческой цивилизации [3], [4].
По-видимому, истина должна быть где-то посредине, оптимально отражая конст-
руктивные и познавательные возможности человека-творца, работающего в конкрет-
ных материальных и духовных условиях природы и общества.
Таким образом, наиболее приемлемым видом концептуального конструкта, в
наибольшей мере разрешающего проблему интеллекта, является конструкт, облада-
ющий чувствительными сенсорами восприятия, чувствительными органами манипулиро-
вания и движения, системой и метасистемой управления, т.е. образование, наиболее
близкое к современному человеку разумному (homo sapiens). Такой конструкт полу-
чил название «искусственной личности».
Искусственная личность есть идеальный конструкт, способный к поглощению
всего многообразия процессов преобразования информации, антропоморфно отобра-
жающий деятельность своего прототипа – современного человека разумного [2].
Производная искусственной личности по умственным возможностям дает кон-
цепт интеллекта, а производная по физическим возможностям – денотат интеллекта.
Если конструировать искусственную личность как реальную машину, способ-
ную преобразовывать не только информацию, но и выполнять вещественные опера-
ции в окружающем мире, то она может быть реализована как робот с высокораз-
витым интеллектом, имитирующий биологическую, живую машину – человека. В этом
случае конструкт может быть назван «антропоморфной искусственной личностью» с
соответствующими естественными требованиями к нему: наличие сенсорных орга-
нов, аппарата движения и опоры, наличие развитого аппарата переработки инфор-
мации, естественности движений и поведения.
Если же конструировать искусственную личность как виртуальную машину,
способную перерабатывать только информацию, то в этом случае конструкт может
быть назван «виртуальной искусственной личностью-роботом». В отличие от антро-
поморфной искусственной личности, виртуальная все свои органы и элементы только
имитирует в форме изображений, однако процессы переработки информации по их
результативности вполне реальны и правдоподобны [1].
Таким образом, машина может быть интеллектуальной только в случае, если
будет наделена основными параметрами и системами, подобными системам человека.
Функциональные системы и подсистемы мозга человека
В связи с этим обратимся к работам физиологов. П.К. Анохин, А.Р. Лурия, Е.Н. Со-
колов и др. с позиции системной организации функций в деятельности мозга выде-
ляют различные функциональные системы и подсистемы. Классический вариант
интегративной деятельности мозга может быть представлен в виде взаимодействия
трех основных функциональных блоков: 1) блок приема и переработки сенсорной
информации – сенсорные системы (анализаторы); 2) блок модуляции, активации нер-
Шевченко А.И., Ященко В.А.
«Искусственный интеллект» 3’2009 494
10Ш
вной системы – модулирующие системы (лимбико-ретикулярные системы) мозга; 3) блок
программирования, запуска и контроля поведенческих актов – моторные системы
(двигательный анализатор).
Первый функциональный блок составляют анализаторы, или сенсорные сис-
темы. Анализаторы выполняют функцию приема и переработки сигналов внешней и
внутренней среды организма. Анализаторы – это многоуровневая система с иерархи-
ческим принципом ее конструкции. Основанием анализатора служит рецепторная
поверхность, а вершиной – проекционные зоны коры. Каждый уровень этой конст-
рукции представляет собой совокупность нервных клеток, аксоны которых идут на
следующий уровень (исключение составляет верхний уровень, аксоны которого выхо-
дят за пределы данного анализатора). На всех уровнях анализатора сохраняется прин-
цип топической проекции рецепторов. Принцип многократной рецепто-топической
проекции способствует осуществлению множественной и параллельной переработки
(анализу и синтезу) рецепторных потенциалов («узоров возбуждений»), возникаю-
щих под действием раздражителей.
Блок модулирующих систем мозга регулирует тонус коры и подкорковых образо-
ваний, оптимизирует уровень бодрствования в отношении выполняемой деятельности и
обуславливает адекватный выбор поведения в соответствии с актуализированной
потребностью. Аппаратом, выполняющим роль регулятора уровня бодрствования, а
также осуществляющим избирательную модуляцию и актуализацию приоритета той
или иной функции, является модулирующая система мозга. Первым источником акти-
вации является внутренняя активность организма, или потребности. Второй источ-
ник активации связан с воздействием раздражителей внешней среды.
Двигательный анализатор. Двигательные области коры головного мозга стоят
на выходе интегрирующей и координирующей системы мозга и выполняют функ-
цию запуска и контроля двигательной деятельности, реализации поведенческих актов.
Восприятие, адекватное воздействие, надежное распознавание и высокая способ-
ность к дифференцировке раздражителей являются необходимой предпосылкой для
деятельности двигательных систем интегративно-пусковых аппаратов [5, с. 399].
Эти функциональные системы мозга обеспечивают одно из самых интересных
свойств человеческого мозга – способность отвечать на бесконечное множество сос-
тояний внешней среды конечным числом реакций. Вероятно, именно это свойство
позволило человеку достигнуть высшей формы существования живой материи,
выражающейся в способности к мышлению, к активному отражению объективного
мира в виде образов, понятий, суждений и пр. Поэтому изучение физиологических
свойств мозга в первую очередь ставит проблему восприятия, анализа и распозна-
вания визуальной информации (образов).
Анализ функциональных систем мозга человека и принципов восприятия чело-
веком окружающего мира, а также знакомство с достижениями биологии и психоло-
гии в этой области сформировал у нас ряд предположений о механизмах реализации
возможностей человека познавать окружающий мир, в частности узнавать с большой
степенью вероятности другого человека, лицо которого лишь на мгновение показа-
лось в толпе ему подобных.
Основываясь на этих предположениях, был разработан комплекс программ,
вдохнувший интеллект в бездумную машину. В результате мы получили виртуаль-
ную искусственную личность-робот, которая обучается распознаванию человека, «уви-
дев» изображение его лица посредством цифровой видеокамеры.
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 495
10Ш
Виртуальная искусственная личность-робот «VITROM»
В основу разработки робота положен новый класс нейронных сетей – много-
мерные рецепторно-эффекторные нейроподобные растущие сети, которые созданы в
рамках бионического подхода на основе интеграции технологий обработки инфор-
мации в семантических и нейронных сетях.
Класс нейроподобных растущих сетей состоит из собственно нейроподобных
растущих (рецепторных) сетей, многомерных нейроподобных растущих (рецептор-
ных) сетей, рецепторно-эффекторных нейроподобных растущих сетей и многомер-
ных рецепторно-эффекторных нейроподобных растущих сетей.
Использование технологии нейроподобных растущих сетей на всех основных
этапах накопления информации об изображениях, а также их дальнейшей идентифи-
кации дает ряд преимуществ, связанных с использованием уникальных возможностей
сети распараллеливать все вычисления, исключать всякое дублирование однотипных
данных при классификации, производить практически неограниченное масштабиро-
вание вычислительных мощностей.
Многомерные рецепторно-эффекторные
нейроподобные растущие сети
Топологическая структура многомерной рецепторно-эффекторной нейроподобной
растущей сети (мрэн-РС) задается следующим образом.
S=(R, Ar, Dr, Pr, Mr, Nr, E, Ae, De, Pe, Me, Ne );
R Rv, Rs, Rt; Ar Av, As, At; Dr Dv, Ds, Dt; Pr Pv, Ps, Pt; Mr Mv, Ms, Mt;
Nr Nv, Ns, Nt; E Er, Ed, Ed; Ae Ar, Ad1, Ad2; De Dr, Dd1, Dd2;
Pe Pr, Pd1, Pd2; Me Mr, Md1, Md2; Ne Nr, Nd1, Nd2;
здесь Rv, Rs, Rt – конечное подмножество рецепторов, Av, As, At – конечное подмно-
жество нейроподобных элементов, Dv, Ds, Dt – конечное подмножество дуг, Pv, Ps, Pt –
конечное множество порогов возбуждения нейроподобных элементов рецепторной
зоны, принадлежащих, например, визуальному, слуховому, тактильному информацион-
ным пространствам, Er, Ed1, Ed2 – конечное подмножество эффекторов, Ar, Ad1, Ad2 –
конечное подмножество нейроподобных элементов, Dr, Dd1, Dd2 – конечное под-
множество дуг эффекторной зоны, Pr, Pd1, Pd2 – конечное множество порогов воз-
буждения нейроподобных элементов эффекторной зоны, принадлежащих, например,
речевому информационному пространству и пространству действий. Mv, Ms, Mt;
Mr, Md1, Md2 – конечное подмножество весовых коэффициентов дуг или нумерации
дуг (для сетей с упорядоченным набором признаков), заходящих на нейроподобные
элементы рецепторной и эффекторной зон. Nr, Ne – конечное множество переменных
коэффициентов связности рецепторной и эффекторной зон [6-8].
В сложных структурах нейроподобных-РС взаимосвязи между элементами сети
выражаются на языке отношений. Для этого применяется формализованный аппарат
теории отношений.
В теории многосвязных нейроподобных растущих сетей рассматриваются би-
нарные отношения, для которых задается множество нейроподобных элементов
{ aaa i
,...,, 21 }, где a i
– булевый вектор конечной размерности, { aa ki
, } – множество
пар из этих элементов. Пара aa ki
, принадлежит подмножеству R только тогда и тогда,
когда вектор a i
находится в отношении R с элементом ak
.
Шевченко А.И., Ященко В.А.
«Искусственный интеллект» 3’2009 496
10Ш
Рассмотрим базовые свойства пар векторов, основанные на операции конъюнкции,
применяемой к компонентам векторов, т.е. aa ki
= (a(1) b(1), a(2) b(2), ... , a(n) b(n)),
здесь – конъюнкция, – операция «векторной» конъюнкции.
Базовые конъюнктивные свойства пар векторов, например, ca
, следующие :
1.
a c a , 2.
a c a ,
3.
a c с , 4.
a c с ,
5.
a c 0 , 6.
a c 0 .
Комбинации основных свойств пар векторов по три дает восемь исключающих
друг друга отношений:
1.
a cR 1 (
a c a ) (
a c с ) (
a c 0 );
2.
a cR 2 (
a c a ) (
a c с ) (
a c 0 );
3.
a cR 3 (
a c a ) (
a c с ) (
a c 0 );
4.
a cR 4 (
a c a ) (
a c с ) (
a c 0 );
5.
a cR 5 (
a c a ) (
a c с ) (
a c 0 );
6.
a cR 6 (
a c a ) (
a c с ) (
a c 0 );
7.
a cR 7 (
a c a ) (
a c с ) (
a c 0 );
8.
a cR 8 (
a c a ) (
a c с ) (
a c 0 ).
Здесь – логическое И.
Очевидно, что отношения R6, R7, R8 тривиальны, так как в каждом из них один
или оба векторы равны нулю. На основании анализа основных конъюнктивных свойств
пар векторов сформулируем следующее утверждение:
Утверждение 1. На множестве пар векторов
a a, ' �• A можно определить пять
основных, исключающих друг друга отношений R1, R2, R3, R4, R5. a R a a a a a a a a a a ai i i i i i i i iA1 01 1 1 1 1
' , ) ) ),: ( ( (i
здесь i ia a
1 – конъюнкция векторов ia и ia 1
, – логическое И;
a R a a a a a a a a a a ai i i i i i i iA2 01 1 1 1 1
' , ) ) );: ( ( (i i
a R a a a a a a a a a a ai i i i i i i i iA3 01 1 1 1 1
' , ) ) );: ( ( ( i
a R a a a a a a a a a a ai i i i i i iA4 01 1 1 1 1
' , ) ) );: ( ( (i i i
a R a a a a a a a a a a ai i i i i i i iA5 01 1 1 1 1
' , ) ) ): ( ( (i i
На основе утверждения 1 определим основные операции построения н-РС.
Если пара векторов ( , )1 a a k
находится в отношении R1, R2, R3, R4, R5,
то соответственно выполняются операции Qj1, Qj2, Qj3, Qj4, или Qj5, которые состоят
в построении по паре векторов ( , )1 a a k
новой тройки векторов ( , , )1 1 a a ak k
и
задаются следующим образом:
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 497
10Ш
1 1 1 1 1 10 0Q a a a a a a a aa k k k k( , ) ( , , ), : , : , : ;'
2 1 1 1 1 1 0Q a a a a a a a a aa k k k k k( , ) ( , , ), : , : , : ;'
3 1 1 1 1 1
1 1 1
Q a a a a a a a a c
a a a a c a a a
a k k k
k k k k k
( , ) ( , , ) , : ( ) ,
: ( ) , : ,
'
4 1 1 1 1 1
1 0
Q a a a a a a a a a a c
a
a k k k k k
k
( , ) ( , , ) , : , : ( ) ,
: ;
'
5 1 1 1 1 1
1 0
Q a a a a a a a a a a c
a
a k k k k k
r i
k
( , ) ( , , ), : , : ( ) ,
: ;
'
здесь – дизъюнкция векторов, применяемая к компонентам векторов.
Нейроподобные растущие сети являются динамическими структурами, которые
в процессе функционирования преобразуются.
В теории нейроподобных растущих сетей топологическая структура сети пред-
ставляется c помощью матриц.
В соответствии с [9], преобразования, выполняемые над матрицами, соответст-
вуют структурным преобразованиям графов, а в приложении теории нейроподобных
растущих сетей соответствуют преобразованиям структуры этих сетей.
В связи с тем, что нейроподобные растущие сети являются динамическими струк-
турами, которые изменяются (растут) в результате каждого нового поступления инфор-
мации на рецепторные поля, то и матрицы мрэн-РС также преобразуются в процессе
анализа и накопления информации.
Номера строк такой матрицы являются номерами нейроподобных элементов
множества A = {ai}, где i I = {1,2,3,...,k}, соответствующих описаниям объектов,
состояний или ситуаций. Строка матрицы состоит из объединения векторов M и N,
где M – вектор, представляющий описание объекта, признаки которого располагают-
ся слева направо в соответствии с порядком нумерации рецепторов из множества
R = {r1,r2,...,rn}, а N – вектор, элементы которого нумеруются слева направо в соответствии с
порядком нумерации вершин множества A, т.е. M },R,1 /i{= i n N= { / i ,ik A1 }, где
Шевченко А.И., Ященко В.А.
«Искусственный интеллект» 3’2009 498
10Ш
Матричное представление рецепторно-эффекторных
нейроподобных растущих сетей
Для формирования матрицы рэн-РС [10] установим коэффициенты связности
hr n1 и he n2. Пусть внешняя информация, поступающая на рецепторное поле,
представлена множеством Wr = {ri
j}, i Ir, j Jr, а возбуждения, поступающие на
эффекторное поле, множеством We = {di
j}, i Ie, j Je. Для всех пар векторов
a a, '
Vr,
a a, ' Ve, где Vr – множество векторов строк длины k рецепторной зоны и
Ve – множество векторов строк длины l эффекторной зоны, введем исключающие
друг друга отношения Rri, Rei для рецепторной и эффекторной зон соответственно.
' 1 1 1 1 11 , ( ) ( ( 0), :j j j j j j j j j j
r i i i i i i i i i i
a a a a a a a a a a a aR A
здесь i
j
i
ja a
1 – конъюнкция векторов i
ja
и i
ja 1
, ∩ – логическое И;
a R a a a a a a a a a a ar i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :2 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ar i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :3 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ar i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :4 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ar i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :5 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ae i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :1 01 1 1 1 1' , ) ); ( ( (
a R a a a a a a a a a a ae i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :2 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ae i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :3 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ae i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :4 01 1 1 1 1' , ) ) ); ( ( (
a R a a a a a a a a a a ae i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
jA :5 01 1 1 1 1' , ) ) ) . ( ( (
А. Пусть имеется множество векторов ri ri ri ri
ka a a a1 2 3 , , , ... , и ei ei ei ei
ka a a a1 2 3 , , ,... ,
для рецепторной и эффекторной зон соответственно.
В. Проверяем, в каком из отношений Rr1, Rr2, Rr3, Rr4, Rr5 находится пара векторов a a, ' из множества пар рецепторной зоны
( , ), ( , ), ( , ), ... , ( , )ri ri
k
ri ri
k
ri ri
k
ri
k
ri
ka a a a a a a a1 2 3 1
и одновременно в ка-
ком из отношений Re1, Re2, Re3, Re4, Re5 находится пара векторов
a a, ' из
множеств пар эффекторной зоны
( , ),( , ) ,( , ), . . . ,( , )е i е i
k
е i е i
k
е i е i
k
е i
k
е i
ka a a a a a a a1 2 3 1 , где k пробегает от 2
до k+g, здесь g – число новых векторов.
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 499
10Ш
РЕЦЕПТОРНАЯ ЗОНА. Если пара векторов ( , )ri ri
ka a1
находится в отношении
Rr1, Rr2, Rr3, Rr4, Rr5, то соответственно выполняются операции Qrj1, Qrj2, Qrj3,
Qrj4 или Qrj5:
r ri ri
k
ri
k
ri ri ri
k
ri
k
k k
k k k k
Q a a a a a a a a m b
m b P m P m
a a
a
a f a
a f a
i
i
i
i
i
i
1
1 1 1 1 1 1
0 0
0 0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(1)
r ri ri
k
ri
k
ri ri ri
k
ri
k
ri
k
k k
k k k k
Q a a a a a a a a a m b
m b P m P m
a a
a
a
f a
a f a
i
i
i
i
i
i
1
2 1 1 1 1
0 0
0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(2)
r ri ri
k
ri
k
ri ri ri
k
ri rj ri
k
ri ri
k
ri
k
rj ri
k
ri ri
k
k k k k c
Q a a a a a a a a c a a a
a c a a a m b m b m P
a
a a a f a
a
i i
k
i
k
i
k
i
k
1
3 1 1 1 1 1 1
1 1 0
0
1 1
1
1
( , ) ( , , ), : ( ) , : (
) , : , : , : , : ( ),
'
,
P m P m m P m mf a
a f a a
a f a a
k k c k c
i
k
i
i i
i
k
i
k
i
k
( ), ( , ), ( , );
1
1
1 10 0
(3)
r ri ri
k
ri
k
ri ri ri
k
ri rj ri
k
ri
k
ri
k
k k k k c k
k c
Q a a a a a a a a c a a
a m b m b m P P m
P m
a
a a a f a a f a
a f a
i i
k
i
k
i
k
i
k
i
k
i
i i
1
4 1 1 1 1 1
1 0 0
0
0
1
1
1 1
( , ) ( , , ), : ( ) , : ,
: , : , : , : ( ), ( ),
( ,
'
am );
(4)
r ri ri
k
ri
k
ri ri ri
k
ri ri
k
ri
k
rj ri
k
k k k k c k k c
Q a a a a a a a a a a c a
m b m b m P P m P m
a
a a a f a a f a
a f ai i
k
i
k
i i
i
i
k
i
k
i
k
1
5 1 1 1 1 1 1
0 0 0
0
1
1 1
1
( , ) ( , , ), : , : ( ) , : ,
: , : , : ( ), ( ), ( ,
'
am ) .
(5)
Операции Qr1
1, Qr1
2, Qr1
3, Qr1
4 или Qr1
5 справедливы, если hr n1, в противном
случае – если ri ri
ka a1 , то ri ri ri
k
ri
k
ri
ka a a a a1 1 1 0 : , : , : ,
k k k k
i i i ia r a rm b m b1 1 1 1: , : , i
i
i
i
a
a
a
aP f m P f mk k1
1
1
10 0 ( ), ( ) , (6)
если же ri ri
ka a1
, то ri
k
ri
k
k ka a m bia : , : , : 0 01 1 , i
i
a
aP f m k1
10 ( ) . (7)
1, если выполнялась операция Qrj1 ,
k = 2, если выполнялась операция Qr1
2, Qr1
4, Qr1
5,
3, если выполнялась операция Qrj3.
Если пара векторов ( , )r i r i
ka a2
находится в отношении Rr1, Rr2, Rr3, Rr4, Rr5,
то соответственно выполняются операции Qrj1, Qrj2, Qrj3, Qrj4 или Qrj5.
r ri ri
k
ri
k
ri ri ri
k
ri
k
k k
k k k k
Q a a a a a a a a m b
m b P m P m
a a
a
a f a
a f a
i
i
i
i
i
i
2
1 2 1 2 2 1
0 0
0 0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(8)
r ri ri
k
ri
k
ri ri ri
k
ri
k
ri
k
k k
k k k k
Q a a a a a a a a a m b
m b P m P m
a a
a
a
f a
a f a
i
i
i
i
i
i
2
2 2 2 2 1
0 0
0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(9)
Шевченко А.И., Ященко В.А.
«Искусственный интеллект» 3’2009 500
10Ш
r ri ri
k
ri
k
ri ri ri
k
ri rj ri
k
ri ri
k
ri
k
rj ri
k
ri ri
k
k k k k c
k
Q a a a a a a a a c a a a
a c a a a m b m b m P
P
a
a a a f a
a f
i i
k
i
k
i
i
i
2
3 2 1 2 2 2 2
1 2 0
0
1
1
1
( , ) ( , , ), : ( ) , : (
) , : , : , : , : ( ),
(
'
1 0
a
a f a am P m m
i
k
i
k
i
k
k c), ( , );
(10)
r ri ri
k
ri
k
ri ri ri
k
ri rj ri
k
ri
k
ri
k
k k k k c k
k c
Q a a a a a a a a c a a
a m b m b m P P m
P m
a
a a a f a a f a
a f a
i i
k
i
k
i
k
i
k
i
k
i
i i
2
4 2 1 2 2 2
1 0 0
0
0
1
1
1 1
( , ) ( , , ), : ( ) , : ,
: , : , : , : ( ), ( ),
( ,
'
am );
(11)
r ri ri
k
ri
k
ri ri ri
k
ri ri
k
ri
k
rj ri
k
k k k k c k k
Q a a a a a a a a a a c a
m b m b m P P m P
a
a a a f a a f a
a fi i
k
i
k
i
k
i
k
i
k
i
i
2
5 2 1 2 2 2 1
0 0 0
0
1 1
1 1
1
1
( , ) ( , , ), : , : ( ) , : ,
: , : , : ( ), ( ), (
'
,
1 1
0
a a
a f a a
m m
P m m
c
k c
i
i
k
i
k
i
k
, ),
( , ).
(12)
Здесь для Qr2
4 , Qr2
5 , r i
ka 1 0
, если в результате выполнения операций Qr1
4,
Qr1
5, r i
ka 1 0
; и r i
ka 1 0
, (13)
если в результате выполнения операций Qr1
3 Qr1
4 , r i
ka 1 0
.
Приведенные выше операции выполняются, если hr n1, в противном случае –
если ri ri
ka a2
,то ri ri ri
k
ri
k
k ka a a a m bia2 2 2
: , : , : , k k
i
kam b: ,
i
i
i
i
a f a
a f aP m P mk k1
1
2
20 0 ( ), ( ) (14)
и если ri ri
ka a2
, то ri ri ri
k
k ka a a m bia2 2 0
2
: , : , : ,
i
i
a f aP m k2
20 ( ) . (15)
Далее, если пара векторов ( , )r i r i
ka a3 находится в отношении Rr1, Rr2, Rr3,
Rr4, Rr5, то соответственно выполняются операции Qrj1, Qrj2, Qrj3, Qrj4 или Qrj5 и
так далее до тех пор, пока не исчерпается множество пар
( , ),( , ),( , ), . . . ,( , )ri ri
k
ri ri
k
ri ri
k
ri
k
ri
ka a a a a a a a1 2 3 1 .
ЭФФЕКТОРНАЯ ЗОНА. Аналогично в эффекторной зоне, если пара векторов
( , )e i e i
ka a1
находится в отношении Re1, Re2, Re3, Re4, Re5, то соответственно
выполняются операции Qej1, Qej2, Qej3, Qej4 или Qej5:
e ei ei
k
ei
k
ei ei ei
k
ei
k
k k
k k k k
Q a a a a a a a a m b
m b P m P m
a a
a
a f a
a f a
i
i
i
i
i
i
1
1 1 1 1 1 1
0 0
0 0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(16)
e ei ei
k
ei
k
ei ei ei
k
ei
k
ei
k
k k
k k k k
Q a a a a a a a a a m b
m b P m P m
a a
a
a
f a
a f a
i
i
i
i
i
i
1
2 1 1 1 1
0 0
0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(17)
е еi еi
k
еi
k
еi еi еi
k
еi еj еi
k
еi еi
k
еi
k
еj еi
k
еi еi
k
k k k k c
Q a a a a a a a a c a a a
a c a a a m b m b m P
a
a a a f a
a
i i
k
i
k
i
k
i
k
1
3 1 1 1 1 1 1
1 1 0
0
1 1
1
1
( , ) ( , , ), : ( ) , : (
) , : , : , : , : ( ),
'
,
P m P m m P m mf a
a f a a
a f a a
k k c k c
i
k
i
i i
i
k
i
k
i
k
( ), ( , ), ( , );
1
1
1 10 0
(18)
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 501
10Ш
е еi еi
k
еi
k
еi еi еi
k
еi еj еi
k
еi
k
еi
k
k k k k c k
k c
Q a a a a a a a a c a a
a m b m b m P P m
P m
a
a a a f a a f a
a f a
i i
k
i
k
i
k
i
k
i
k
i
i i
1
4 1 1 1 1 1
1 0 0
0
0
1
1
1 1
( , ) ( , , ), : ( ) , : ,
: , : , : , : ( ), ( ),
( ,
'
am );
(19)
е1 еi еi
k
ri
k
еi еi еi
k
еi еi
k
еi
k
еj еi
k
k k k k c k k c
Q a a a a a a a a a a c a
m b m b m P P m P m
a
a a a f a a f a
a f ai i
k
i
k
i i
i
i
k
i
k
i
k
5 1 1 1 1 1 1
0 0 0
0
1
1 1
1
( , ) ( , , ), : , : ( ) , : ,
: , : , : ( ), ( ), ( ,
'
am ) .
(20)
Операции Qе1
1 , Qе1
2 , Qе1
3 , Qе1
4 или Qе1
5 справедливы, если hr n1, в против-
ном случае если еi еi
ka a1
, то еi еi еi
k
еi
k
еi
ka a a a a1 1 1 0 : , : , : ,
k k k k
i i i ia е a еm b m b
1 1 1 1
: , : , i
i
i
i
a
a
a
aP f m P f mk k1
1
1
10 0 ( ), ( ) , (21)
если же еi еi
ka a1
, то еi
k
еi
k
k ka a m bia
: , : , : 0 01 1
, i
i
a
aP f mk1
10 ( ) . (22)
1, если выполнялась операция Qеj1,
k = 2, если выполнялась операция Qеj
2, Qеj
4, Qej
5,
3, если выполнялась операция Qеj3.
Если пара векторов ( , )е i е i
ka a2 находится в отношении Re1, Re2, Re3, Re4, Re5,
то соответственно выполняются операции Qej1, Qej2, Qej3, Qej4 или Qej5:
e ei ei
k
ei
k
ei ei ei
k
ei
k
k k
k k k k
Q a a a a a a a a m b
m b P m P m
a a
a
a f a
a f a
i
i
i
i
i
i
2
1 2 1 2 2 1
0 0
0 0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(23)
e ei ei
k
ei
k
ei ei ei
k
ei
k
ei
k
k k
k k k k
Q a a a a a a a a a m b
m b P m P m
a a
a
a
f a
a f a
i
i
i
i
i
i
2
2 2 2 2 1
0 0
0
1
2
1
1
2
2
( , ) ( , , ), : , : , : , : ,
: , ( ), ( );
'
(24)
е еi еi
k
еi
k
еi еi еi
k
еi еj еi
k
еi еi
k
еi
k
еj еi
k
еi еi
k
k k k k c
Q a a a a a a a a c a a a
a c a a a m b m b m P
a
a a a f a
a
i i
k
i
k
i
k
i
k
2
3 2 1 2 2 2 2
1 1 0
0
1 1
1
1
( , ) ( , , ), : ( ) , : (
) , : , : , : , : ( ),
'
,
P m P m m P m mf a
a f a a
a f a a
k k c k c
i
k
i
i i
i
k
i
k
i
k
( ), ( , ), ( , );
1
1
1 10 0
(25)
е еi еi
k
еi
k
еi еi еi
k
еi еj еi
k
еi
k
еi
k
k k k k c k
k c
Q a a a a a a a a c a a
a m b m b m P P m
P m
a
a a a f a a f a
a f a
i i
k
i
k
i
k
i
k
i
k
i
i i
2
4 2 1 2 2 2
1 0 0
0
0
1
1
1 1
( , ) ( , , ), : ( ) , : ,
: , : , : , : ( ), ( ),
( ,
'
am );
(26)
е еi еi
k
ri
k
еi еi еi
k
еi еi
k
еi
k
еj еi
k
k k k k c k k c
Q a a a a a a a a a a c a
m b m b m P P m P m
a
a a a f a a f a
a f ai i
k
i
k
i i
i
i
k
i
k
i
k
2
5 2 1 2 2 2 1
0 0 0
0
1
1 1
1
( , ) ( , , ), : , : ( ) , : ,
: , : , : ( ), ( ), ( ,
'
am ) .
(27)
Здесь для Qe2
4 , Qe2
5 , е i
ka 1 0
: , если в результате выполнения операций Qe1
4,
Qe1
5, е i
ka 1 0
: ; и е i
ka 1 0
: , если в результате выполнения операций Qe1
4,
Qe1
5, е i
ka 1 0
: .
Шевченко А.И., Ященко В.А.
«Искусственный интеллект» 3’2009 502
10Ш
Приведенные выше операции выполняются, если he n1, в противном случае, если
еi еi
ka a2
, то еi еi еi
k
еi
k
k ka a a a m bia2 2 2
: , : , : , k k
i
kam b: ,
i
i
i
i
a f a
a f aP m P mk k1
1
2
20 0 ( ), ( )
и если еi еi
ka a2
, то еi еi еi
k
k ka a a m bia2 2 0
2
: , : , : ,
i
i
a f aP mk2
20 ( ) .
Далее, если пара векторов ( , )е i е i
ka a3
находится в отношении Re1, Re2,
Re3, Re4, Re5, то соответственно выполняются операции Qej1, Qej2, Qej3, Qej4 или Qej5
и т.д. до тех пор, пока не исчерпается множество пар
( , ),( , ),( , ),... ,( , )еi еi
k
еi еi
k
еi еi
k
еi
k
еi
ka a a a a a a a1 2 3 1 .
Таким образом, описания понятий, объектов, условий или ситуаций формиру-
ются в рецепторной зоне матрицы, которая теперь содержит информацию об этих
понятиях, объектах, условиях или ситуациях и связях между ними, указывающими
на зависимость друг от друга их информационных представлений. В эффекторной
зоне формируются адекватные входным описаниям последовательности действий и
вырабатываются сигналы, управляющие исполнительными механизмами.
Многомерная рецепторно-эффекторная нейроподобная растущая сеть (мрэн-РС),
обученная распознаванию лица человека, представлена графом (рис.1).
Рисунок 1 – Многомерная рецепторно-эффекторная нейроподобная растущая сеть
В сети анализ информации осуществляется ансамблями возбужденных нейро-
подобных элементов, которые выполняют прием и переработку сигналов видео-
изображений. Ансамбли нейроподобных элементов – это многоуровневая система с
иерархическим принципом ее конструкции. Основанием анализатора служит рецеп-
торная поверхность. Каждый уровень этой конструкции представляет собой сово-
купность нейроподобных элементов, выходы которых идут на следующий уровень,
выходы верхнего уровня выходят за пределы данного анализатора. На всех уровнях
анализатора сохраняется принцип топической проекции рецепторов. Принцип мно-
гократной рецепто-топической проекции способствует осуществлению множествен-
ной и параллельной переработки (анализу и синтезу) рецепторных потенциалов («узо-
ров возбуждений»), возникающих под действием раздражителей. Построение сети и
анализ информации осуществляются в матричном представлении, т.е. анализ инфор-
мации, выделение существенных признаков и ее запоминание осуществляются в
матрице, сформированной в соответствии с (1) – (15).
Модуляторы исполняют роль регулятора уровня активности виртуального ро-
бота (уровня порога возбуждения нейроподобных элементов), а также осуществляют
избирательную модуляцию и актуализацию приоритета той или иной функции. Первым
Визуальная информация
Звуковая
Символьная
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 503
10Ш
источником активации является внутренняя активность организма («желание» общения,
распознавание известной личности, знакомство и запоминание неизвестной). Второй
источник активации связан с воздействием раздражителей внешней среды (например,
необходимый уровень освещения и расстояния до объекта). Оба источника активации
создаются посредством матрицы, которая формируется в соответствии с (1) – (27).
Мотонейроны (двигательный анализатор) выполняют функцию запуска и конт-
роля двигательной деятельности, реализации поведенческих актов (отображение и
озвучивание распознанного изображения) посредством матрицы действий форми-
руемой в соответствии с (16) – (27).
Виртуальный робот «VITROM»
Интерфейс виртуального робота «VITROM» показан на рис. 2. При отсутствии
объекта распознавания в зоне видимости видеокамеры («глаза робота») робот призы-
вает объект подойти к нему. При появлении объекта в зоне видимости робот пытается
распознать объект. Если объект находится в зоне видимости, то на значительном
удалении робот приглашает подойти ближе и пытается распознать объект. Если объект
известен роботу, то он здоровается и называет объект по имени-отчеству. Если робот
не «знает» объект или ошибся, то он предлагает объекту представиться, запоминает
информацию и его изображение.
Рисунок 2 – Интерфейс виртуального робота «VITROM»
Для проверки правильности распознавания изображений лица человека виртуаль-
ный робот «VITROM» ознакомлен с базой «Yale FaceIMAGES_Data» – 200 изображений, а
также изображений животных и пр. Распознавание практически безошибочное. На рис. 3 – 6
показано отображение распознавания лица человека из базы «Yale FaceIMAGES_Data».
На рис. 3 показано отображение распознавания лица человека из базы «Yale
FaceIMAGES_Data» по фрагменту его изображения (по глазам).
На рис. 4 показано отображение распознавания лица человека из базы «Yale
FaceIMAGES_Data» по заштрихованному изображению лица человека.
На рис. 5 показано отображение распознавания левой и правой частей лиц двух
человек – объектов распознавания, совмещенных в одном изображении. Объекты
распознавания взяты из базы «Yale FaceIMAGES_Data».
На рис. 6 показано отображение распознавания изображения животного – кошки.
Таким образом, виртуальный робот «VITROM» обучается в процессе функциони-
рования и пополняет свою базу изображений объектов.
Шевченко А.И., Ященко В.А.
«Искусственный интеллект» 3’2009 504
10Ш
Рисунок 3 – Отображение распознавания лица человека из базы «Yale
FaceIMAGES_Data» по фрагменту изображения лица человека
Рисунок 4 – Отображение распознавания лица человека из базы «Yale
FaceIMAGES_Data» по заштрихованному изображению лица человека
Рисунок 5 – Отображение распознавания левой и правой частей лиц двух человек
От искусственного интеллекта к искусственной личности
«Штучний інтелект» 3’2009 505
10Ш
Рисунок 6 – Отображение распознавания изображения кошки
Выводы
На примере распознавания изображений лиц человека в работе рассмотрены
некоторые вопросы реализации искусственной личности. Показана возможность раз-
работки искусственной личности, способной обучаться, приобретать информацию,
анализировать и использовать ее.
Литература
1. Шевченко А.И. Актуальные проблемы теории искусственного интеллекта / Шевченко А.И. – Київ :
ІПШІ «Наука і освіта», 2003. – 228 с.
2. Будущее искусственного интеллекта // Сборник АН СССР. – М. : Наука, 1991.
3. Горелов Н.Н. Разговор с компьютером. Психолингвистический аспект проблемы. – М. : Наука,
1987. – 136 с.
4. Человеческие способности машин : сб. статей. – М. : Сов. радио, 1971.
5. Данилова Н.Н. Физиология высшей нервной деятельности / Н.Н. Данилова, А.Л. Крылова. – М. :
Изд-во МГУ, 1989.
6. Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети – эффективное средство моде-
лирования интеллекта. I / В.А. Ященко // Кибернетика и системный анализ. – 1995. – № 4. – С. 54-62.
7. Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети – эффективное средство модели-
рования интеллекта. II / В.А. Ященко // Кибернетика и системный анализ. – 1995. – № 5. – С. 94-102.
8. Yashchenko V.A. Receptor-effector neural-like growing network – an efficient tool for building intelligence
systems / V.A. Yashchenko // Proceedings of the second internatiional conference on information fusion,
July 6-8, 1999, Sunnyvale Hilton Inn, Sunnyvale, California, USA. – Vol. II. – P. 1113-1118.
9. Морозов В.К. Основы теории информационных сетей / В.К. Морозов, А.В. Долганов. – М. : Высшая
школа, 1987. – 270 с.
10. Ященко В.А. Базові операції побудови нейроподібних мереж, що ростуть / В.А. Ященко // Вісник
Київського університету ім. Т. Шевченка. – 1998. – Вип. 4. – С. 232-236.
А.І. Шевченко, В.О. Ященко
Від штучного інтелекту до штучної особистості
У статті розглядаються деякі питання реалізації штучної остобистості на базі нового типу нейронних мереж –
зростаючих нейроподібних мереж. На прикладі розпізнавання зображень облич людей показана можливість
розробки штучної особистості здатної навчатися, набувати інформацію, аналізувати і використовувати її.
A.I. Shevcytnko, V.A. Yashchenko
From Artificial Intelligence to an Artificial Person
In clause is considered (examined) some questions of realization of the artificial person on the basis of a new
type neural of networks – growing neural of networks. On an example of recognition of the images of the
persons of the man the opportunity of development of the artificial person capable is shown to be trained, to
get the information, to analyze and to use it.
Статья поступила в редакцию 21.04.2009.
|
| id | nasplib_isofts_kiev_ua-123456789-8104 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T16:10:48Z |
| publishDate | 2009 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Шевченко, А.И. Ященко, В.А. 2010-04-30T14:47:18Z 2010-04-30T14:47:18Z 2009 От искусственного интеллекта к искусственной личности / А.И. Шевченко, В.А. Ященко // Штучний інтелект. — 2009. — № 3. — С. 492-505. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8104 63.04 В статье рассматриваются некоторые вопросы реализации искусственной личности на базе нового типа нейронных сетей – растущих нейроподобных сетей. На примере распознавания изображений лиц людей показана возможность разработки искусственной личности, способной обучаться, приобретать информацию, анализировать и использовать ее. У статті розглядаються деякі питання реалізації штучної остобистості на базі нового типу нейронних мереж – зростаючих нейроподібних мереж. На прикладі розпізнавання зображень облич людей показана можливість розробки штучної особистості здатної навчатися, набувати інформацію, аналізувати і використовувати її. In clause is considered (examined) some questions of realization of the artificial person on the basis of a new type neural of networks – growing neural of networks. On an example of recognition of the images of the persons of the man the opportunity of development of the artificial person capable is shown to be trained, to get the information, to analyze and to use it. ru Інститут проблем штучного інтелекту МОН України та НАН України Распознавание образов. Цифровая обработка сигналов От искусственного интеллекта к искусственной личности Від штучного інтелекту до штучної особистості From Artificial Intelligence to an Artificial Person Article published earlier |
| spellingShingle | От искусственного интеллекта к искусственной личности Шевченко, А.И. Ященко, В.А. Распознавание образов. Цифровая обработка сигналов |
| title | От искусственного интеллекта к искусственной личности |
| title_alt | Від штучного інтелекту до штучної особистості From Artificial Intelligence to an Artificial Person |
| title_full | От искусственного интеллекта к искусственной личности |
| title_fullStr | От искусственного интеллекта к искусственной личности |
| title_full_unstemmed | От искусственного интеллекта к искусственной личности |
| title_short | От искусственного интеллекта к искусственной личности |
| title_sort | от искусственного интеллекта к искусственной личности |
| topic | Распознавание образов. Цифровая обработка сигналов |
| topic_facet | Распознавание образов. Цифровая обработка сигналов |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/8104 |
| work_keys_str_mv | AT ševčenkoai otiskusstvennogointellektakiskusstvennoiličnosti AT âŝenkova otiskusstvennogointellektakiskusstvennoiličnosti AT ševčenkoai vídštučnogoíntelektudoštučnoíosobistostí AT âŝenkova vídštučnogoíntelektudoštučnoíosobistostí AT ševčenkoai fromartificialintelligencetoanartificialperson AT âŝenkova fromartificialintelligencetoanartificialperson |