Теория искусственного интеллекта (Основные положения)
В рамках бионического подхода рассмотрены основные положения теории искусственного интеллекта как области знаний, которая рассматривает закономерности построения и функционирования интеллектуальных систем на базе многомерных нейроподобных растущих сетей. Теория искусственного интеллекта включает уче...
Збережено в:
| Опубліковано в: : | Математичні машини і системи |
|---|---|
| Дата: | 2011 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем математичних машин і систем НАН України
2011
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/83619 |
| 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: | Теория искусственного интеллекта (Основные положения) / В.А. Ященко // Мат. машини і системи. — 2011. — № 4. — С. 3-19. — Бібліогр.: 14 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860190099861405696 |
|---|---|
| author | Ященко, В.А. |
| author_facet | Ященко, В.А. |
| citation_txt | Теория искусственного интеллекта (Основные положения) / В.А. Ященко // Мат. машини і системи. — 2011. — № 4. — С. 3-19. — Бібліогр.: 14 назв. — рос. |
| collection | DSpace DC |
| container_title | Математичні машини і системи |
| description | В рамках бионического подхода рассмотрены основные положения теории искусственного интеллекта как области знаний, которая рассматривает закономерности построения и функционирования интеллектуальных систем на базе многомерных нейроподобных растущих сетей. Теория искусственного интеллекта включает учение о нейроподобных элементах и многомерных нейроподобных растущих сетях, временной и долговременной памяти, учение о функциональной организации «мозга» систем с искусственным интеллектом, о сенсорной системе, модулирующей системе, моторной системе, условном и безусловном рефлексах, рефлекторной дуге (кольце), мотивации, целенаправленном поведении, о «мышлении», «сознании», «подсознании и искусственной личности, формируемой в результате обучения и воспитания».
У рамках біонічного підходу розглянуто основні положення теорії штучного інтелекту як галузі знань, що розглядає закономірності побудови і функціонування інтелектуальних систем на базі багатовимірних нейроподібних зростаючих мереж. Теорія штучного інтелекту містить вчення про нейроподібні елементи і багатовимірні нейроподібні зростаючі мережі, тимчасову та довготривалу пам'ять, вчення про функціональну організацію «мозку» систем із штучним інтелектом, про сенсорні системи, модулюючі системи, моторні системи, умовні і безумовні рефлекси, рефлекторні дуги (кільця), мотивацію, цілеспрямовану поведінку, про «мислення», «свідомость», «підсвідомость і штучну особистість, яка формується в результаті навчання і виховання».
According to the bionic approach, the article describes, the conceptual issues of the theory of artificial intelligence as a field of knowledge that examines patterns of the construction and operation of intelligence systems based on the multidimensional neural-like growing networks. The general theory of artificial intelligence includes the study of neural-like elements and multidimensional neural-like growing networks, temporary and prolonged memory, study of the functional organization of the "brain" of the systems with the artificial intelligence, about the sensing system, modeling system, motor system, conditioned and unconditioned reflexes, reflex arc (ring), motivation, purposeful behavior, about "thinking", "consciousness", "unconscious and artificial personality is formed as a result of training and education".
|
| first_indexed | 2025-12-07T18:05:25Z |
| format | Article |
| fulltext |
© Ященко В.А., 2011 3
ISSN 1028-9763. Математичні машини і системи, 2011, № 4
ОБЧИСЛЮВАЛЬНІ СИСТЕМИ
УДК 681.3
В.А. ЯЩЕНКО
ТЕОРИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (ОСНОВНЫЕ ПОЛОЖЕНИЯ)
Анотація. У рамках біонічного підходу розглянуто основні положення теорії штучного інтелекту
як галузі знань, що розглядає закономірності побудови і функціонування інтелектуальних систем
на базі багатовимірних нейроподібних зростаючих мереж. Теорія штучного інтелекту містить
вчення про нейроподібні елементи і багатовимірні нейроподібні зростаючі мережі, тимчасову та
довготривалу пам'ять, вчення про функціональну організацію «мозку» систем із штучним інтеле-
ктом, про сенсорні системи, модулюючі системи, моторні системи, умовні і безумовні рефлекси,
рефлекторні дуги (кільця), мотивацію, цілеспрямовану поведінку, про «мислення», «свідомость»,
«підсвідомость і штучну особистість, яка формується в результаті навчання і виховання».
Ключові слова: біонічний підхід, багатовимірні нейроподібні зростаючі мережі, сенсорна систе-
ма, модулююча система, моторна система, умовний і безумовний рефлекси, рефлекторна дуга.
Аннотация. В рамках бионического подхода рассмотрены основные положения теории искусст-
венного интеллекта как области знаний, которая рассматривает закономерности построения и
функционирования интеллектуальных систем на базе многомерных нейроподобных растущих се-
тей. Теория искусственного интеллекта включает учение о нейроподобных элементах и много-
мерных нейроподобных растущих сетях, временной и долговременной памяти, учение о функцио-
нальной организации «мозга» систем с искусственным интеллектом, о сенсорной системе, моду-
лирующей системе, моторной системе, условном и безусловном рефлексах, рефлекторной дуге
(кольце), мотивации, целенаправленном поведении, о «мышлении», «сознании», «подсознании и ис-
кусственной личности, формируемой в результате обучения и воспитания».
Ключевые слова: бионический подход, многомерные нейроподобные растущие сети, сенсорная
система, модулирующая система, моторная система, условный и безусловный рефлексы, рефлек-
торная дуга.
Abstract. According to the bionic approach, the article describes, the conceptual issues of the theory of
artificial intelligence as a field of knowledge that examines patterns of the construction and operation of
intelligence systems based on the multidimensional neural-like growing networks. The general theory of
artificial intelligence includes the study of neural-like elements and multidimensional neural-like growing
networks, temporary and prolonged memory, study of the functional organization of the “brain” of the
systems with the artificial intelligence, about the sensing system, modeling system, motor system, condi-
tioned and unconditioned reflexes, reflex arc (ring), motivation, purposeful behavior, about “thinking”,
“consciousness”, “unconscious and artificial personality is formed as a result of training and education”.
Keywords: bionic approach, multidimensional neural-like growing networks, sensor system, modulating
system, motor system, conditioned and unconditioned reflex, reflex arc.
«…Очень многие ученые исключают для себя возможность восхищения собственными открытия-
ми, полагая, что этому помешают прагматичный ум и научное понимание проблемы. Но известный
астроном Карл Саган как-то отметил, что понимание не умаляет изумления, вызванного открыти-
ем, как познание не лишает жизнь полноты красок, звуков, света. Я соглашаюсь с Саганом».
Джефф Хокинс
1. Вступление
В работе кратко изложены основные положения теории искусственного интеллекта, разра-
ботанной на базе многомерных рецепторно-эффекторных нейроподобных растущих сетей.
Термин «искусственный интеллект» предложен в 1956 г. на семинаре с аналогич-
ным названием в Стенфордском университете (США). Таким образом, проблема создания
4 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
искусственного интеллекта (ИИ), возникшая в прошлом столетии, и по сей день решается
лучшими умами человечества. Чл.-корр. НАНУ, ректор Донецкого университета информа-
тики и искусственного интеллекта А.И. Шевченко в [1] пишет: «Анализ проблематики ис-
следований в области искусственного интеллекта показывает, что в настоящее время, с од-
ной стороны, идет интенсивная дифференциация ее предметных областей и, с другой сто-
роны, происходит своеобразная интеграция исследований в рамках поиска возможностей
построения общей теории. Интеграция исследований диктуется необходимостью объеди-
нения всего комплекса исследований в области искусственного интеллекта в единое целое
на основе общей универсальной концепции или идеи, восходящей к своему функциональ-
ному прототипу: думающей (мыслящей) и действующей (физически) личности – челове-
ку».
В теории искусственного интеллекта такой общей универсальной концепцией яв-
ляются многомерные рецепторно-эффекторные нейроподобные растущие сети, которые
восходят к своему функциональному прототипу – биологическим нейронным сетям.
2. Основные положення теории искусственного интеллекта
Теория искусственного интеллекта – область знаний, рассматривающая закономерности
построения и функционирования интеллектуальных систем на базе многомерных рецеп-
торно-эффекторных нейроподобных растущих сетей. Теория искусственного интеллекта
включает учение о нейроподобных элементах и многомерных нейроподобных растущих
сетях, временной и долговременной памяти, учение о функциональной организации «моз-
га» систем с искусственным интеллектом, о сенсорной системе, модулирующей системе,
моторной системе, условном и безусловном рефлексах, рефлекторной дуге, мотивации,
целенаправленном поведении, о «мышлении», «сознании», «подсознании и искусственной
личности, формируемой в результате обучения и воспитания».
Аксиома 1. В основе теории искусственного интеллекта лежит аналогия с нервной систе-
мой человека.
Система формирования естественного интеллекта – головной мозг, состоящий из
множества нейронов, связанных между собой синаптическими связями. Взаимодействуя
посредством этих связей, нейроны формируют сложные электрические импульсы, которые
контролируют деятельность всего организма и позволяют познавать, обучаться, мыслить
логически, систематизировать информацию путем ее анализа, классифицировать, находить
в ней связи, закономерности и отличия, ассоциировать ее с подобной и пр. [2].
Функциональная организация мозга. В работах физиологов П.К. Анохина, А.Р. Лу-
рия, Е.Н. Соколова [3, 4] и др. с позиции системной организации функций деятельности
мозга выделяют различные функциональные системы и подсистемы. Классический вари-
ант интеративной деятельности мозга может быть представлен в виде взаимодействия трех
основных функциональных блоков:
1) блок приема и переработки сенсорной информации – сенсорные системы (анали-
заторы);
2) блок модуляции, активации нервной системы – модулирующие системы (лимби-
ко-ретикулярные системы) мозга;
3) блок программирования, запуска и контроля поведенческих актов – моторные
системы (двигательный анализатор).
Сенсорные системы (анализаторы) мозга. Сенсорная (афферентная) система начи-
нает действовать тогда, когда какое-либо явление окружающей среды воздействует на ре-
цептор. В каждом рецепторе воздействующий физический фактор (свет, звук, тепло, дав-
ление) преобразуется в потенциал действия, нервный импульс. Анализатор – это много-
уровневая система с иерархическим принципом организации. Основанием анализатора
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 5
служит рецепторная поверхность, а вершиной – проекционные зоны коры головного мозга.
Каждый уровень представляет собой совокупность клеток, аксоны которых идут на сле-
дующий уровень. Взаимоотношения между последовательными уровнями анализаторов
построены по принципу «дивергенции – конвергенции».
Модулирующие системы мозга являются аппаратом, выполняющим роль регулято-
ра уровня бодрствования, также осуществляющим избирательную модуляцию и актуали-
зацию приоритета той или иной функции. Первым источником активации является внут-
ренняя активность организма или его потребности. Второй источник активации связан с
воздействием раздражителей внешней среды.
Моторные (двигательные) системы мозга. Для двигательных областей коры харак-
терен прежде всего синтез возбуждений различной модальности с биологически значимы-
ми сигналами и мотивационными влияниями. Им свойственна дальнейшая, окончательная
трансформация афферентных влияний в качественно новую форму деятельности, направ-
ленную на быстрейший выход афферентных возбуждений на периферию, т.е. на аппараты
реализации конечной стадии поведения.
Система формирования искусственного интеллекта – «мозг» системы, представ-
ляющий собой активную, ассоциативную, однородную структуру – многомерную рецеп-
торно-эффекторную нейроподобную растущую сеть, состоящую из множества нейропо-
добных элементов, связанных синаптическими связями. Нейроподобные элементы вос-
принимают, анализируют, синтезируют и сохраняют информацию, позволяют системе по-
знавать, обучаться, мыслить логически, систематизировать и классифицировать информа-
цию, находить в ней связи, закономерности, отличия и вырабатывать сигналы управления
внешними устройствами.
2.1. Основные правила и определения теории искусственного интеллекта
Аксиома 2. Основная функциональная единица структуры «нервной системы» интеллекту-
альных систем - искусственный нейрон (нейроподобный элемент).
Определение 1. Нейроподобный элемент – упрощенная модель биологического нейрона,
состоящая из устройства (аналога тела клетки) с множеством возбуждающих и тормозных
входов, модулирующим входом и одним выходом. Выход (аналог аксона) состоит из мно-
жества проводников и множества окончаний. На входы устройства поступает информация
(коды, пачки импульсов). Устройство обрабатывает информацию в соответствии с прави-
лами формирования нейроподобной растущей сети, генерирует коды (пачки импульсов) и
по нитям аксона одновременно или с разделением во времени передает их на входы других
нейронов. Входы нейрона (аналог синапсов) представляют собой рецепторы, реагирующие
или не реагирующие на ту или иную часть поступающего на них кода, тем самым увели-
чивая или уменьшая уровень возбуждения нейроподобного элемента и интенсивность его
ответной реакции. При этом амплитуда и частота сигнала могут регулироваться.
Аксиома 3. Все свободные от информации нейроподобные элементы есть нейроподобные
элементы новизны.
Аксиома 4. Все нейроподобные элементы, несущие (запомнившие) в себе некую информа-
цию, есть нейроподобные элементы тождества.
Аксиома 5. При отсутствии информации на рецепторах нейроподобных элементов новизны
они находятся в режиме слабого случайного фонового возбуждения.
Аксиома 6. Фоновое возбуждение есть постоянно изменяющаяся случайная величина воз-
буждения нейроподобного элемента.
Определение 2. Нейроподобные элементы чувства – элементы, у которых порог возбужде-
ния увеличивается или уменьшается в зависимости от состояния внутренних подсистем
6 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
системы или от результата исполняемой функции. Нейроподобные элементы чувства име-
ют связи с мотонейронами управления результатом выполняемых действий.
Определение 3. Временная память. Время, необходимое для анализа и запоминания ин-
формации нейроном новизны. При поступлении информации (которая системе неизвестна)
на рецепторы сенсорной области между ближайшим нейроподобным элементом новизны
(уровень возбуждения которого невысокий, но выше всех остальных ближайших нейропо-
добных элементов новизны) и рецепторами сенсорной области образуются связи, связям
присваиваются весовые коэффициенты, а нейроподобному элементу некоторый порог воз-
буждения. При неоднократном повторении этой информации порог возбуждения увеличи-
вается. При достижении максимального возбуждения нейроподобный элемент становится
нейроподобным элементом тождества и переводится в долговременную память.
Определение 4. Долговременная память – все нейроподобные элементы тождества.
Определение 5. Нейронная сеть – это параллельная связная сеть простых адаптивных эле-
ментов, которая взаимодействует с объектами реального мира аналогично биологической
нервной системе.
Определение 6. Нейроподобная растущая сеть – это совокупность взаимосвязанных нейро-
подобных элементов, предназначенных для приема анализа и преобразования информации
в процессе взаимодействия с объектами реального мира, причем в процессе приема и об-
работки информации сеть изменяет свою структуру.
3. Нейроподобные растущие сети
Нейроподобные растущие сети (н-РС) – новый тип нейронных сетей, включающий в себя
следующие классы: многосвязные (рецепторные) нейроподобные растущие сети (мн-РС);
многосвязные (рецепторные) многомерные нейроподобные растущие сети (ммн-РС); ре-
цепторно-эффекторные нейроподобные растущие сети (рэн-РС); многомерные рецептор-
но-эффекторные нейроподобные растущие сети (мрэн-РС).
Н-РС описываются в виде направленного графа, где нейроподобные элементы
представляются его вершинами, а связи между элементами его ребрами.
Таким образом, сеть представляет собой распараллеленную динамическую систему
с топологией направленного графа, которая выполняет переработку информации посред-
ством изменения своего состояния и структуры в ответ на воздействия внешней среды.
В теории нейроподобных растущих сетей основными понятиями являются понятия
структуры и архитектуры, раскрывающие схему связей и взаимодействия между элемен-
тами сети:
топологическая (пространственная) структура – это направленный граф связей эле-
ментов сети;
логическая структура определяет принципы и правила формирования связей и эле-
ментов сети, а также логику ее функционирования;
физическая структура – схема связей физических элементов сети (в случае аппарат-
ной реализации нейроподобной растущей сети).
Архитектура сети определяется схемой связей физических элементов сети и прави-
лами формирования связей и элементов, а также логикой ее функционирования.
При рассмотрении основ теории нейроподобных растущих сетей используются не-
которые положения теории графов.
Направленными или ориентированными графами называются графы, в которых
ориентация дуг имеет принципиальное значение. Дуга на графе может рассматриваться как
упорядоченная пара вершин или как направленная линия, соединяющая вершины.
Вершины графа ( )DA,S = называются смежными, если они соединены дугой.
Смежными дугами называются дуги imd , jmd , имеющие общую вершину ma .
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 7
Рис. 1. Топологическая
структура мн-РС
Рис. 2. Правило 1
Исходящей дугой называется дуга, которая исходит из вершины ma , т.е., если вер-
шина ma является началом, но не является концом дуги
mid . Заходящей дугой называется дуга imd , которая захо-
дит в вершину ma , т.е., если вершина ma является концом
дуги imd , но не является началом дуги mid .
Топологическая структура н-РС представляется
связным ориентированным графом (рис. 1). С помощью
графов в теории мн-РС рассматриваются процессы про-
хождения и запоминания информации в сети.
Нейроподобные растущие сети формально зада-
ются следующим образом:
( )NP,M,D,A,R,S = , где { }ir=R , i 1,n==== – конечное множество рецепторов; { }ir a=A ,
i 1,k==== – конечное множество нейроподобных элементов; { }id=D , i 1,e==== – конечное
множество дуг, связывающих рецепторы с нейроподобными элементами и нейроподобные
элементы между собой; { }iP=P , i 1,k==== h=N , где P – порог возбуждения вершины ia ,
( ) 0i PmfP >= ( 0P – минимально допустимый порог возбуждения) при условии, что мно-
жеству дуг D , приходящих на вершину ia , соответствует множество весовых коэффици-
ентов { }im=M , w1,i = , причем im может принимать как положительные, так и отрица-
тельные значения.
Определение 7. Многосвязной (рецепторной) нейроподобной растущей сетью называется
ациклический граф, в котором минимальное число заходящих дуг на вершины графа ia
равно переменному коэффициенту n , а каждой дуге id , приходящей на вершину ia , соот-
ветствует определенный весовой коэффициент im . Каждой вершине ia присваивается оп-
ределенный порог возбуждения. Вершины, не имеющие заходящих дуг, называются ре-
цепторами, остальные вершины называются нейроподобными элементами.
Правило 1. Если при восприятии информации возбуждается подмножество вершин F из
множества вершин, имеющих непосредственную связь с вершиной ia , и hF ≥ , то связи
вершины ia с вершинами из подмножества F ликвидируются, и к сети присоединяется
новая вершина 1ia + , входы которой соединяются с входами всех вершин подмножества F ,
а выход вершины 1ia + соединяется с одним из входов вершины ia ,
причем входящим связям вершины 1ia + присваиваются весовые ко-
эффициенты gm , соответствующие весовым коэффициентам ликви-
дированных связей вершины ia , а вершине 1ia + присваивается по-
рог возбуждения iP , равный сумме весовых коэффициентов связей,
входящих в вершину 1ia + , или присваивается порог возбуждения iP ,
равный ( )imf , (некоторой функции от весовых коэффициентов свя-
зей, входящих в вершину 1ia + ).
Исходящей связи вершины 1ia + присваивается весовой коэффициент 1im + . Связям, исхо-
дящим из рецепторов, присваивается весовой коэффициент rim (рис. 2).
8 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
Рис. 3. Правило 2
Рис.4. Топологическая
Рис. 4. Топологическая
структура рэн-РС
Правило 2. Если при восприятии информации возбуждается подмножество вершин G и
hG ≥ , то к сети присоединяется новая ассоциативная вершина 1ia + , которая соединяется
заходящими дугами со всеми вершинами подмножества G . Каждой
из заходящих дуг присваивается весовой коэффициент im , а новой
вершине 1ia + присваивается порог возбуждения 1aiP + , равный сумме
весовых коэффициентов im входящих дуг или присваивается порог
возбуждения iP , равный ( )imf (некоторой функции от весовых ко-
эффициентов связей, входящих в вершину 1ia + ). Новая вершина
1ia + находится в состоянии возбуждения (рис. 3).
Определение 8. Информационным пространством называется
область нейроподобной растущей сети, состоящая из множества вершин и дуг,
объединенных в единую информационную структуру одного из отображений.
Определение 9. Множество взаимосвязанных ациклических графов, описывающих
нейроподобные растущие сети в различных информационных пространствах, называются
многосвязными многомерными нейроподобными растущими сетями (ммн-РС).
Правило 3. Если при восприятии информации, представляемой в различных информаци-
онных пространствах, возбуждается подмножество Q конечных вершин, то эти вершины
соединяются между собой дугами.
Рецепторно-эффекторные нейроподобные растущие
сети формально задаются следующим образом:
) N MP DA E N PD A (R=S ee, e,e, e,,r,r, r,r,, , { }ir=R , i 1,n====
– конечное множество рецепторов, { }ir a=A , i 1,k= – ко-
нечное множество нейроподобных элементов рецепторной
зоны, { }ir d=D , i 1,e= – конечное множество дуг рецеп-
торной зоны, { }ie=E , i 1,e= – конечное множество эффек-
торов, { }ie a=A , i 1,k= – конечное множество нейроподоб-
ных элементов эффекторной зоны, { }ie d=D , i 1,e= – ко-
нечное множество дуг эффекторной зоны, { }ir P=P , { }ie P=P , i 1,k= , где iP – порог воз-
буждения вершины ira , iea ( )ii mfP = при условии, что множеству дуг rD , eD , приходя-
щих на вершину ira , iea , соответствует множество весовых коэффициентов { }ir m=M ,
{ }ie m=M , i 1, w= , причем im может принимать как положительные, так и отрицатель-
ные значения. rN , eN – переменные коэффициенты связности рецепторной и эффектор-
ной зон.
Определение 10. Рецепторно-эффекторной нейроподобной растущей сетью называется
двухсторонний ациклический граф, в котором минимальное число заходящих дуг на вновь
образуемые вершины графа равно переменному коэффициенту n , каждой дуге, приходя-
щей на вершины рецепторной зоны, соответствует определенный весовой коэффициент, а
вершинам – определенный порог возбуждения, и каждой дуге, приходящей на вершины
эффекторной зоны, соответствует определенный весовой коэффициент, а вершинам – оп-
ределенный порог возбуждения, Вершины, не имеющие заходящих дуг, называются ре-
цепторами, вершины, не имеющие исходящих дуг, называются эффекторами, остальные
вершины – нейроподобные элементы (рис. 4).
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 9
Правило 4. Если при восприятии информации рецепторным полем возбуждается подмно-
жество rF из множества вершин, имеющих непосредственную связь с вершиной r
ia , при
этом hF ≥ , и при генерации действий эффекторной зоной возбуждается подмножество
eG и hG ≥ , то связи вершины с вершинами из подмножества rF ликвидируются и к сети
присоединяется новая вершина ai+1
r, входы которой соединяются с выходами всех вершин
подмножества rF , а выход вершины ai+1
r соединяется с одним из входов вершины r
ia ,
причем входящим связям вершины ai+1
r присваиваются весовые коэффициенты im , соот-
ветствующие весовым коэффициентам ликвидированных связей вершины r
ia , а вершине
ai+1
r присваивается порог возбуждения Pai+1, равный функции от весовых коэффициентов
связей, входящих в вершину ai+1
r. Исходящей связи вершины ai+1
r присваивается весовой
коэффициент im , равный f(Pai+1
r). Связям, исходящим из рецепторов, присваивается весо-
вой коэффициент, равный коду признака ib , соответствующего данному рецептору.
В эффекторной зоне к сети присоединяется
новая ассоциативная вершина ai+1
e, которая соеди-
няется исходящими дугами со всеми вершинами
подмножества eG . Каждой из исходящих дуг при-
сваивается весовой коэффициент im , равный
( )e
iPaf соответствующей вершины из подмноже-
ства eG , а новой вершине ai+1
e присваивается ми-
нимальный порог возбуждения Pai+1
e, равный
функции от весовых коэффициентов im входящих
дуг. Вершина r
ia рецепторной зоны соединяется
исходящей дугой с новой вершиной эффекторной
зоны. Новые вершины сразу же после введения в
сеть находятся в возбужденном состоянии (рис. 5).
Правило 5. Если при восприятии информации ре-
цепторным полем возбуждается подмножество rF
из множества вершин, имеющих непосредственную связь с вершиной r
ia рецепторной зо-
ны, при этом hF ≥ , и при генерации действий эффекторной зоной возбуждается под-
множество eF из множества вершин, имеющих непосредственную связь с вершиной e
ia
эффекторной зоны, и hF ≥ , то связи вершины r
ia с вершинами из подмножества ликви-
дируются, и к сети присоединяется новая вершина ai+1
r, входы которой соединяются с вы-
ходами всех вершин подмножества rF , а выход вершины ai+1
r соединяется с одним из вхо-
дов вершины r
ia , причем входящим связям вершины ai+1
r присваиваются весовые коэффи-
циенты im , соответствующие весовым коэффициентам ликвидированных связей вершины
r
ia , а вершине ai+1
r присваивается порог возбуждения Pai+1
r, равный функции от весовых
коэффициентов связей, входящих в вершину. Исходящей связи вершины ai+1
r присваива-
ется весовой коэффициент im , равный f(Pai+1
r). Связям, исходящим из рецепторов, при-
сваивается весовой коэффициент, равный коду признака ib , соответствующего данному
рецептору. В эффекторной зоне связи вершины e
ia с вершинами из подмножества eF лик-
видируются, и к сети присоединяется новая вершина ai+1
e, выходы которой соединяются с
10 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
входами всех вершин подмножества eF , а вход вершины ai+1
e соединяется с одним из вы-
ходов вершины e
ia , причем входящим связям вершины ai+1
e присваиваются весовые коэф-
фициенты im , соответствующие весовым коэффициентам ликвидированных связей вер-
шины e
ia , а вершине ai+1
e присваивается порог возбуждения Pai+1
e, равный функции от ве-
совых коэффициентов исходящих связей вершины e
ia . Входящей связи вершины ai+1
e при-
сваивается весовой коэффициент im , равный ( )e
iPaf . Новая вершина ai+1
r рецепторной
зоны соединяется исходящей дугой с новой вершиной ai+1
e эффекторной зоны. Новые
вершины сразу же после введения в сеть находятся в возбужденном состоянии (рис.6).
Правило 6. Если при восприятии информации рецепторным полем возбуждается подмно-
жество rG , при этом hG ≥ , и при генерации действий эффекторной зоной возбуждается
подмножество eG и hG ≥ , то в рецепторной зоне к сети присоединяется новая ассоциа-
тивная вершина ai+1
r, которая соединяется заходящими дугами со всеми вершинами под-
множества G . Каждой из заходящих дуг присваивается весовой коэффициент im , равный
( )r
iPaf соответствующей вершины из подмножества rG , а новой вершине ai+1
r
присваива-
ется минимальный порог возбуждения Pai+1, равный функции от суммы весовых коэффи-
циентов im заходящих дуг. В эффекторной зоне к сети присоединяется новая ассоциатив-
ная вершина ai+1
e, которая соединяется исходящими дугами со всеми вершинами подмно-
жества eG . Каждой из исходящих дуг присваивается весовой коэффициент im , равный
( )e
iPaf соответствующей вершины из подмножества eG , а новой вершине присваивается
минимальный порог возбуждения Pai+1
e, равный функции от весовых коэффициентов im
исходящих дуг. Новая вершина рецепторной зоны соединяется исходящей дугой с новой
вершиной эффекторной зоны. Новые вершины сразу же после введения в сеть находятся в
возбужденном состоянии (рис. 7).
Правило 7. Если при восприятии информации рецепторным полем возбуждается подмно-
жество rG и hG ≥ , и при генерации действий эффекторной зоной возбуждается под-
множество eF из множества вершин, имеющих непосредственную связь с вершиной e
ia
эффекторной зоны, и hF ≥ , то в рецепторной зоне к сети присоединяется новая ассоциа-
тивная вершина ai+1
r, которая соединяется заходящими дугами со всеми вершинами под-
множества rG . Каждой из заходящих дуг присваивается весовой коэффициент im , равный
( )r
iPaf соответствующей вершины из подмножества rG , а новой вершине ai+1
r
присваива-
ется минимальный порог возбуждения Pai+1
r, равный функции от весовых коэффициентов
im входящих дуг. В эффекторной зоне связи вершины e
ia с вершинами из подмножества
eF ликвидируются, и к сети присоединяется новая вершина ai+1
e, выходы которой соеди-
няются с входами всех вершин подмножества eF , а вход вершины ai+1
e
соединяется с од-
ним из выходов вершины e
ia , причем выходящим связям вершины ai+1
e
присваиваются ве-
совые коэффициенты im , соответствующие весовым коэффициентам ликвидированных
связей, а вершине ai+1
e
присваивается порог возбуждения Pai+1
e, равный функции от весо-
вых коэффициентов исходящих связей вершины ai+1
e. Входящей связи вершины ai+1
e при-
сваивается весовой коэффициент im , равный ( )e
iPaf . Новая вершина рецепторной зоны
соединяется исходящей дугой с вершиной ia эффекторной зоны. Новые вершины сразу же
после введения в сеть находятся в возбужденном состоянии (рис. 8).
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 11
Рис. 9. Топологическая
структура мрэн-РС
Определение 8. Множество взаимосвязанных двухсторонних ациклических графов, описы-
вающих состояние объекта и вырабатываемые им действия в различных информационных
пространствах, называются многомерными рецепторно-эффекторными нейроподобными
растущими сетями.
Топологическая структура многомерной рецеп-
торно-эффекторной нейроподобной растущей сети
(мрэн-РС) представляется графом (рис. 9). Формально
мрэн-РС задаются следующим образом:
) N MP DA E N PD A (R=S ee, e,e, e,,r,r, r,r,, ; ts,v, R R R R ⊃ ;
ts,v,r A A A A ⊃ ; ts,v,r D D D D ⊃ ; ts,v,r P P P P ⊃ ;
ts,v,r M M M M ⊃ ; ts,v,r N N N N ⊃ ; d1dr E,E,E E ⊃ ;
d2d1re A,A,A A ⊃ ; d2d1re D,D,D D ⊃ ; d2d1re P,P,P P ⊃ ;
d2d1re M,M,M M ⊃ ; d2d1re N,N,N N ⊃ ; здесь ts,v, R R R
– конечное подмножество рецепторов, ts,v, A A A – ко-
нечное подмножество нейроподобных элементов,
ts,v, D D D – конечное подмножество дуг, ts,v, P P P – конечное множество порогов возбу-
ждения нейроподобных элементов рецепторной зоны, принадлежащих, например, визу-
альному, слуховому, тактильному информационным пространствам, N r – конечное мно-
жество переменных коэффициентов связности рецепторной зоны, d1dr E,E,E – конечное
подмножество эффекторов, d2d1r A,A,A – конечное подмножество нейроподобных элемен-
тов, d2d1r D,D,D – конечное подмножество дуг эффекторной зоны, d2d1r P,P,P – конечное
множество порогов возбуждения нейроподобных элементов эффекторной зоны, принад-
лежащих, например, речевому информационному пространству и пространству действий,
N e – конечное множество переменных коэффициентов связности эффекторной зоны.
Правило 8. Если при поступлении на рецепторные поля различных информационных про-
странств внешней информации в рецепторных зонах этих информационных пространств
возбуждается подмножество rQ конечных вершин, принадлежащих этим описаниям, и при
этом в эффекторных зонах соответствующих информационных пространств возбуждается
подмножество еQ конечных вершин, вырабатывающих набор действий, соответствующих
входной информации, то вершины рецепторных зон этих информационных пространств,
принадлежащие подмножеству rQ , соединяются между собой двунаправленными дугами.
Вершины эффекторных зон, принадлежащие подмножеству еQ , также соединяются между
собой двунаправленными дугами.
4. Математический аппарат описания функциональной организация «мозга» систем с
искусственным интеллектом
В теории нейроподобных растущих сетей рассматриваются бинарные отношения, для ко-
торых задаются множество вершин (нейроподобных элементов) { }i21 aaa ,...,, , где ia буле-
вой вектор конечной размерности, { }ki aa , множество пар из этих элементов. Пара ki aa ,
принадлежит подмножеству R тогда и только тогда, когда вектор ia находится в отноше-
нии R с элементом ka .
Базовые свойства пар векторов, основанные на операции конъюнкции, применяе-
мой к компонентам векторов, т.е. =× ki aa ( a(1) & b(1) , a(2) & b(2), ... , a(n) & b(n) ), здесь & –
конъюнкция, × – операция «векторной» конъюнкции.
Эти базовые конъюнктивные свойства пар векторов ca
rr
, следующие:
12 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
1. .aca
rrr =× 2. aca
rrr ≠× .
3.
r r r
a c с× = . 4.
r r r
a c с× ≠ .
5. .0ca =×
rr
6. r r
a c× ≠ 0 .
Комбинации основных свойств пар векторов по три дают восемь исключающих
друг друга отношений:
1.
r r
a cR 1 ≡ (
r r r
a c a× = )∩ (
r r r
a c с× = )∩ (
r r
a c× ≠ 0 ).
2.
r r
a cR 2 ≡ (
r r r
a c a× ≠ )∩ (
r r r
a c с× ≠ )∩ (
r r
a c× = 0 ).
3.
r r
a cR 3 ≡ (
r r r
a c a× ≠ )∩ (
r r r
a c с× ≠ )∩ (
r r
a c× ≠ 0 ).
4.
r r
a cR 4 ≡ (
r r r
a c a× ≠ )∩ (
r r r
a c с× = )∩ (
r r
a c× ≠ 0 ).
5.
r r
a cR 5 ≡ (
r r r
a c a× = )∩ (
r r r
a c с× ≠ )∩ (
r r
a c× ≠ 0 ).
6.
r r
a cR 6 ≡ (
r r r
a c a× = )∩ (
r r r
a c с× ≠ )∩ (
r r
a c× = 0 ).
7.
r r
a cR 7 ≡ (
r r r
a c a× ≠ )∩ (
r r r
a c с× = )∩ (
r r
a c× = 0 ).
8.
r r
a cR 8 ≡ (
r r r
a c a× = )∩ (
r r r
a c с× = )∩ (
r r
a c× = 0 ).
Здесь ∩ – логическое И.
Очевидно, что отношения R6, R7, R8 тривиальны, так как в каждом из них один или
оба вектора равны нулю. На основании анализа основных конъюнктивных свойств пар
векторов сформулируем следующие утверждения:
Утверждение 1. На множестве пар векторов
r r
a a, ' ∈ A можно определить пять основ-
ных, исключающих друг друга отношений R1, R2, R3, R4, R5.
На основе утверждения 1 определяются следующие основные операции построения н-РС.
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
r r
a a, ' ∈ Wr,
r r
a a, ' ∈ We, где Wr – множество векторов
строк длины k рецепторной зоны и We – множество векторов строк длины l эффекторной
зоны, введем исключающие друг друга отношения Rr i, Re i для рецепторной и эффектор-
ной зон соответственно.
),0),1 aaaaaaaaaaaRa 1j
i
j
i
1j
i
1j
i
j
i
j
i
1j
i
j
i
1j
i
j
i
'
r (((: A ≠×=×=×∈∀≡ +++++ ∩∩ rrrrrrrrrrrr
здесь
i
j
i
ja a
r r
× + 1 – конъюнкция векторов
i
ja
r и
i
ja +1r , ∩ – логическое И;
),0),1
11111' ≠×∩=×∩=×∈∀≡ +++++
aaaaaaaaaaaRa j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
i
j
ir
:A rrrrrrrrrrrr
((( r r r r r r r r r r r raR 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' , ) ) );≠ ∀ ∈ × ≠ ∩ × ≠ ∩ × =+ + + + +( ( ( r r r r r r r r r r r raR 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' , ) ) );≡∀ ∈ × ≠ ∩ × ≠ ∪ × ≠+ + + + +( ( ( aiRa r
rr '
r r r r r r r r r r r raR 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' , ) ) );≡∀ ∈ × ≠ ∩ × = ∪ × ≠+ + + + +( ( (
r r r r r r r r r r r raR 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' , ) ) );≡∀ ∈ × = ∩ × ≠ ∩ × ≠+ + + + +( ( (
r r r r r r r r r r r raR 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' , ) );≡∀ ∈ × = ∩ × = ∩ × ≠+ + + + +( ( (
r r r r r r r r r r r raR 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' , ) ) );≠∀ ∈ × ≠ ∩ × ≠ ∩ × =+ + + + +( ( ( r r r r r r r r r r r raR 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' , ) ) );≡ ∀ ∈ × ≠ ∩ × ≠ ∪ × ≠+ + + + +( ( ( aiRa e
rr '
r r r r r r r r r r r raR 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' , ) ) );≡∀ ∈ × ≠ ∩ × = ∪ × ≠+ + + + +( ( (
r r r r r r r r r r r raR 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' , ) ) ) .≡∀ ∈ × = ∩ × ≠ ∩ × ≠+ + + + +( ( (
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 13
А. Пусть имеется множество векторов ri ri ri ri
ka a a a1 2 3r r r r, , , ... , и ei ei ei ei
ka a a a1 2 3r r r r, , , ... , для
рецепторной и эффекторной зон соответственно.
В. Проверяем, в каком из отношений Rr1, Rr2, Rr3, Rr4, Rr5 находится пара векторов
r r
a a, ' из множества пар рецепторной зоны
( , ) , ( , ) , ( , ) , . . . , ( , )r i r i
k
r i r i
k
r i r i
k
r i
k
r i
ka a a a a a a a1 2 3 1r r r r r r r r−
и одновременно, в каком из отношений Re1, Re2, Re3, Re4, Re5 находится пара векторов
r r
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 1r r r r r r r r− ,
где k пробегает от 2 до gk + , здесь g – число новых векторов.
Рецепторная зона. Если пара векторов ( , )r i r i
ka a1r r находится в отношении Rr1, Rr2, Rr3,
Rr4, Rr5, то соответственно выполняются операции Qrj1, Qrj2, Qrj3, Qrj4 или Qrj5:
);(),(,:
,:,0:,0:,:),,,(),(
2
2
1
1
2
1
00
11111'1
1
mPmPbm
bmaaaaaaaaaQ
af
a
af
a
a
a
i
i
i
i
i
i
kkkk
kk
k
ri
k
ririri
k
ri
k
ririr
r
r
r
r
r
rrrrrrrrrr
===
===== ++
);(),(,:
,:,0:,:,:),,,(),(
2
2
1
1
2
1
00
11111'2
1
mPmPbm
bmaaaaaaaaaaQ
af
a
af
a
a
a
i
i
i
i
i
i
kkkk
kk
k
ri
k
ri
k
ririri
k
ri
k
ririr
r
r
r
r
r
rrrrrrrrrrr
===
===== ++
);,(),,(),(
),(:,:,:,:,)
(:,)(:),,,(),(
000
011
111111'3
1
11
1
1
1
1
,11
mmPmmPmP
Pmbmbmaaaca
aaacaaaaaaaaaQ
aaf
a
aaf
a
af
a
a
faaa
k
i
k
i
k
i
ii
i
k
i
k
i
k
i
k
i
k
ii
ckckk
ckkkk
k
riri
k
rirj
k
ri
k
riri
k
rirjri
k
ririri
k
ri
k
ririr
rr
r
rr
r
r
r
r
rrrrrrr
rrrrrrrrrrrr
===
===×=∪×
××=∪××==
+
+
+
+
+
);,(
),(),(:,:,:,0:
,:,)(:),,,(),(
11
1
1
0
001
11111'4
1
mmP
mPPmbmbma
aacaaaaaaaaaQ
aaf
a
af
aa
faaa
ii
i
k
i
k
i
k
i
k
i
k
ii
ck
kckkkk
k
ri
k
ri
k
rirjri
k
ririri
k
ri
k
ririr
rr
r
r
rr
rrrr
rrrrrrrrrrr
=
=====
=∪××==
+
+
),(
'
aaQ
i
ri
rr
.),(),(),(:,:,:
,0:,)(:,:),,,(),(
000
111111'5
1
1
11
1
mmPmPPmbmbm
acaaaaaaaaaaaQ
aaf
a
af
aa
faaa
k
i
k
i
k
i
i
ii
k
i
k
ii
ckkckkkk
k
rirj
k
ri
k
riri
k
ririri
k
ri
k
ririr
rr
r
r
rr
rrr
rrrrrrrrrrrr
=====
=∪××=== ++
Операции Qr1
1, Qr1
2, Qr1
3, Qr1
4 или Qr1
5 справедливы, если hr ≥ n1,
в противном случае, если ri ri
ka a1r r≠ , то ri ri ri
k
ri
k
ri
ka a a a a1 1 1 0r r r r r: , : , := = =+ ,
k k k k
i i i ia r a rm 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= =( ), ( ) ,
если же
ri ri
ka a1r r
= , то ri
k
ri
k
k ka a m biar r: , : , := = =+0 01 1 ,
i
i
a
aP f mk1
10 = ( ) .
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 a2r r находится в отношении Rr1, Rr2, Rr3, Rr4, Rr5, то со-
ответственно выполняются операции Qrj1, Qrj2, Qrj3, Qrj4 или Qrj5.
Далее, если пара векторов ( , )r i r i
ka a3r r находится в отношении Rr1, Rr2, Rr3, Rr4,
Rr5, то соответственно выполняются операции Qrj1, Qrj2, Qrj3, Qrj4 или Qrj5 и т.д. 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 1r r r r r r r r− .
14 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
Эффекторная зона. Аналогично в эффекторной зоне, если пара векторов ( , )e i e i
ka a1r r на-
ходится в отношении Re1, Re2, Re3, Re4, Re5, то соответственно выполняются операции
Qej1, Qej2, Qej3, Qej4 или Qej5:
);(),(,:
,:,0:,0:,:),,,(),(
2
2
1
1
2
1
00
11111'1
1
mPmPbm
bmaaaaaaaaaQ
af
a
af
a
a
a
i
i
i
i
i
i
kkkk
kk
k
ei
k
eieiei
k
ei
k
eieie
r
r
r
r
r
rrrrrrrrrr
===
===== ++
);(),(,:
,:,0:,:,:),,,(),(
2
2
1
1
2
1
00
11111'2
1
mPmPbm
bmaaaaaaaaaaQ
af
a
af
a
a
a
i
i
i
i
i
i
kkkk
kk
k
ei
k
ei
k
eieiei
k
ei
k
eieie
r
r
r
r
r
rrrrrrrrrrr
===
===== ++
);,(),,(),(
),(:,:,:,:,)
(:,)(:),,,(),(
000
011
111111'3
1
11
1
1
1
1
,11
mmPmmPmP
Pmbmbmaaaca
aaacaaaaaaaaaQ
aaf
a
aaf
a
af
a
a
faaa
k
i
k
i
k
i
ii
i
k
i
k
i
k
i
k
i
k
ii
ckckk
ckkkk
k
ЊiЊi
k
ЊiЊj
k
Њi
k
ЊiЊi
k
ЊiЊjЊi
k
ЊiЊiЊi
k
Њi
k
ЊiЊiЊ
rr
r
rr
r
r
r
r
rrrrrrr
rrrrrrrrrrrr
===
===×=∪=
××=∪××==
+
+
+
+
+
);,(
),(),(:,:,:,0:
,:,)(:),,,(),(
11
1
1
0
001
11111'4
1
mmP
mPPmbmbma
aacaaaaaaaaaQ
aaf
a
af
aa
faaa
ii
i
k
i
k
i
k
i
k
i
k
ii
ck
kckkkk
k
Њi
k
Њi
k
ЊiЊjЊi
k
ЊiЊiЊi
k
Њi
k
ЊiЊiЊ
rr
r
r
rr
rrrr
rrrrrrrrrrr
=
=====
=∪××==
+
+
.),(),(),(:,:,:
,0:,)(:,:),,,(),(
000
111111'5
1
1
11
1
mmPmPPmbmbm
acaaaaaaaaaaaQ
aaf
a
af
aa
faaa
k
i
k
i
k
i
i
ii
k
i
k
ii
ckkckkkk
k
ЊiЊj
k
Њi
k
ЊiЊi
k
ЊiЊiЊi
k
ri
k
ЊiЊiЊ
rr
r
r
rr
rrr
rrrrrrrrrrrr
=====
=∪××=== ++
),(
'
aaQ
i
ei
rr
Операции Qе1
1, Qе1
2, Qе1
3, Qе1
4 или Qе1
5 справедливы,
если hr ≥ n1, в противном случае, если
е i е i
ka a1r r
≠ ,
то
е i е i е i
k
е i
k
е i
ka a a a a1 1 1 0
r r r r r
: , : , := = =+ ,
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= =( ), ( ) ,
если же
е i е i
ka a1r r
= ,
то
е i
k
е i
k
k ka a m biar r
: , : , := = =+0 01 1
,
i
i
a
aP f mk1
10 = ( ) .
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 a2r r находится в отношении Re1, Re2, Re3, Re4, Re5, то
соответственно выполняются операции Qej1, Qej2, Qej3, Qej4 или Qej5.
Далее, если пара векторов ( , )
е i е i
ka a3r r 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 1r r r r r r r r− .
Таким образом, описания понятий, объектов, условий или ситуаций и связи между
ними, указывающие на зависимость друг от друга их информационных представлений, т.е.
сенсорная система, модулирующая система, условный и безусловный рефлексы, рефлек-
торное кольцо, временная и долговременная память формируются в рецепторных зонах
многомерной рэн-РС. В эффекторных зонах формируются адекватные входным описаниям
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 15
Рис. 10. Схема – моделирование основных функций
мышления на многомерных рэн-РС
последовательности действий и вырабатываются сигналы, управляющие исполнительны-
ми механизмами, т.е. система мотивации целенаправленного поведения и моторная систе-
ма. Одновременное функционирование этих систем дает возможность системе с искусст-
венным интеллектом воспринимать, анализировать, запоминать и синтезировать информа-
цию, обучаться и выполнять целенаправленные действия [5–7].
5. Функциональная организация
«мозга» систем с искусственным
интеллектом
«Мозг» системы с искусственным ин-
теллектом состоит из множества ней-
роподобных элементов, связанных
между собой связями. Взаимодейст-
вуя между собой, нейроподобные
элементы формируют управляющие
сигналы, которые контролируют по-
знавательную и мыслительную дея-
тельность всей системы.
5.1. Сенсорная система
Функция восприятие – информация
поступает из внешнего мира в рецеп-
торную зону, активирует рецепторы,
которые в свою очередь активируют
нейроподобные элементы различных уровней обработки информации – уровней безуслов-
ных рефлексов – первичных автоматизмов, уровней формирования условных рефлексов –
вторичных автоматизмов, уровней классификации, обобщения и запоминания. В формаль-
ном представлении: определяются отношения и выполняется операция
),(
''
aaQaiRa i
rir
rrrr
⇒ .
Безусловные рефлексы задаются при создании системы.
⇐⇐⇐⇒
⇒⇒ aiRaaaQaaaQ iaiRa eeirir
ik
i
rrrrrrrrr
''
)()',(' .
При функционировании системы они возникают при появлении «специфического»
для каждого из них раздражителя, обеспечивая тем самым неуклонность выполнения наи-
более важных функций системы независимо от случайных, преходящих условий среды.
eaaaQaiRa k
i
i
rir ⇒⇒⇒
rrrrr
),(
''
БР.
Условные рефлексы приобретаются в процессе функционирования системы. При
действии индифферентного раздражителя возникает возбуждение в соответствующих ре-
цепторах и импульсы поступают в сенсорную систему. При воздействии безусловного раз-
дражителя возникает специфическое возбуждение соответствующих рецепторов. Таким
образом, одновременно возникают два очага возбуждения. Между двумя очагами возбуж-
дения образуется временная рефлекторная связь. При возникновении временной связи
изолированное действие условного раздражителя вызывает безусловную реакцию.
16 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
),(
),(
...
),(
),(
''
2
''
1
''1
2
''1
1
aaQaiRat
aaaQaiRat
aaaQaiRat
aaQaiRat
i
n
k
i
i
n
k
i
i
i
rir
rir
rir
rir
e
e
rrrr
rrrrr
rrrrr
rrrr
⇒
⇒⇒⇒
⇒⇒⇒
⇒
Формирование условного рефлекса
),(
),(
''1
2
''1
1
aaQaiRat
aaaQaiRat
i
k
i
i
rir
rir e
rrrr
rrrrr
⇒
⇒⇒⇒
УР – Условный рефлекс
Условные рефлексы являются универсальным приспособительным механизмом,
обеспечивающим пластичные формы поведения.
Первичные автоматизмы (АВ1) – безусловные рефлексы tnt АВБР 1
1
1 ⇒ .
Вторичные автоматизмы (АВ2) – устоявшиеся условные рефлексы tnt АВУР 2
1
1 ⇒ .
5.2. Модулирующая система
Модулирующая система регулирует уровень возбудимости нейроподобных элементов и
осуществляет избирательную модуляцию той или иной функции системы. Первым источ-
ником активации является приоритетность внутренней активности подсистем системы. За-
кладывается при создании системы аналогично безусловным рефлексам. Любые отклоне-
ния от жизненно важных показателей системы приводят к активации (изменению порога
возбудимости) определенных подсистем и процессов. Второй источник активации связан с
воздействием раздражителей внешней среды. Приоритетность определенной активности
приобретается в процессе «жизненного цикла» аналогично формированию условных реф-
лексов.
Мотивация – механизм, который способствует удовлетворению потребностей: он
соединяет память о каком-либо объекте (например, недостатком энергии) с действием по
удовлетворению этой потребности (поиском энергии). При этом формируется целенаправ-
ленное поведение, которое включает в себя три звена: поиск цели, взаимодействие с уже
обнаруженной целью, покой после достижения цели.
Целенаправленное поведение – мотивационная постановка цели – возбуждение, дей-
ствия, направленные на поиск алгоритма решения целевой задачи, достижение цели – сня-
тие возбуждения.
5.3. Двигательная система
Для двигательной системы характерен, прежде всего, синтез возбуждений различной мо-
дальности со значимыми сигналами и мотивационными влияниями. Им свойственна даль-
нейшая, окончательная трансформация афферентных влияний в качественно новую форму
деятельности, направленную на быстрейший выход эфферентных возбуждений на перифе-
рию, т.е. на цепочки нейронов реализации конечной стадии поведения.
Двигательная система состоит целиком из ансамблей (цепочек) нейронов эффе-
рентного (двигательного) типа и находится под постоянным притоком информации из аф-
ферентной (сенсорной) области. В отличие от афферентной области в области запуска и
контроля поведенческих актов процессы активации идут в нисходящем направлении, на-
чинаясь с наиболее высоких уровней. В высших уровнях формируются цепочки команд-
ных нейронов (двигательные программы), а затем переходят к нейронным цепочкам низ-
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 17
ших моторных уровней и двигательным нейронам – эффекторам участков двигательной
эфферентной импульсации.
Функция действие – информация исходит из эффекторной зоны, через эффекторы и
моторную область воздействует на внешний мир еД ⇒1 .
Движение – последовательность действий (Д), найденная случайно (ребенок нау-
чился ходить самостоятельно) или с помощью учителя (ребенок научился ходить с помо-
щью родителей):
ДДДД
tnttt
1
3
1
2
1
1
1
... ⇒⇒⇒ .
Психическая функция или поведенческий акт – последовательность автоматизмов
осуществляется в системе, функционирующей по рефлекторному принципу, в которой
влияние центральных и рецепторно-эффекторных (периферических) зон взаимосвязаны и
их совместная деятельность обеспечивает целостную реакцию. Система имеет многоуров-
невую организацию, где каждый уровень от рецепторных образований до эффекторных
вносит свой «специфический» вклад в «нервную» деятельность системы.
АВАВАВАВ
tnttt
1
3
2
2
2
1
1
... ⇒⇒⇒
.
Функция мысль – ансамбль возбужденных нейроподобных элементов на уровне
подсознания (внутренняя модель внешнего или абстрактного мира, усиленная функцией
мотивации в данный момент без выхода во внешний мир).
Функция мышление – последовательное взаимодействие ансамблей возбужденных
нейроподобных элементов на уровне подсознания (внутренних моделей), направляемое
уровнями возбуждения нейроподобных элементов, усиленными или ослабленными функ-
цией мотивации. Информация циркулирует в замкнутом контуре – сенсорная область,
уровни обработки информации (анализ, классификация, обобщение, запоминание, мотор-
ная область, сенсорная область) без выхода во внешнюю среду.
.),(
'' ⇒⇒⇒⇒⇒ eaaaQaiRa k
i
i
rir
rrrrr
Мыслить, размышлять, значит, сознавать. В этом смысле «внутреннее проговаривание»
– циклы передачи внутренней активной информации на вход системы – можно рассматри-
вать как модель искусственного сознания интеллектуального компьютера, а циклы переда-
чи внутренней активной информации на вход системы без включения «проговаривания»
рассматривать как модель искусственного подсознания.
Функция сознание – распространение возбуждения по активным ансамблям нейро-
подобных элементов (внутренним моделям внешнего мира), усиленного функцией моти-
вации, отражающим важнейшие отношения в системе субъект – среда.
Функция подсознание – распространение возбуждения по активным ансамблям ней-
роподобных элементов (внутренним моделям внешнего мира), ослабленного функцией мо-
тивации. Обеспечивает подготовку моделей для сознания, распознавания заученных обра-
зов и выполнения привычных движений.
Функция неосознанная реакция – внешняя информация на уровне подсознания вы-
зывает обратное воздействие на внешний мир (безусловный и условный рефлексы, отрабо-
танные действия, вторичные автоматизмы).
Функция осознанная реакция – внешняя информация на уровне сознания вызывает
обратное воздействие на внешний мир (осознанные действия в фазе формирования услов-
ных рефлексов и приобретения вторичных автоматизмов).
Функция интуиция – поиск новой информации, порождение гипотез и аналогий,
создание новых временных связей, активация новых ансамблей нейроподобных элементов
18 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
и порождение из них новых комбинаций, которые автоматически формируются в подсоз-
нании, наиболее активные из них прорываются в область сознания.
Подражание – наблюдая за действиями других объектов (например, наблюдая за
поведением родителей, ребенок) объект внутренне на уровне микродвижений повторяет их
действия (возникает небольшое возбуждение ансамблей нейроподобных элементов, задей-
ствованных в выполнении этих действий). Затем, неоднократно повторяя эту последова-
тельность в играх, закрепляет их (повторение приводит к увеличению порогов возбужде-
ния ансамблей нейроподобных элементов), что приводит к выработке поведенческих сте-
реотипов.
6. Искусственная личность
Искусственная личность есть идеальный конструкт, способный к поглощению всего мно-
гообразия процессов преобразования информации, антропоморфно отображающий дея-
тельность своего прототипа – современного разумного человека.
Производная искусственной личности по умственным возможностям дает концепт
интеллекта, а производная по физическим возможностям – денотат интеллекта.
Если конструировать искусственную личность как реальную машину, способную
преобразовывать не только информацию, но и выполнять вещественные операции в окру-
жающем мире, то она может быть реализована как робот с высокоразвитым интеллектом,
имитирующий биологическую, живую машину – человека. В этом случае конструкт может
быть назван «антропоморфной искусственной личностью» с соответствующими естест-
венными требованиями к нему: наличие сенсорных органов, аппарата движения и опоры,
наличие развитого аппарата переработки информации, естественности движений и пове-
дения.
Если же конструировать искусственную личность как виртуальную машину, спо-
собную перерабатывать только информацию, то в этом случае конструкт может быть на-
зван «виртуальной искусственной личностью-роботом». В отличие от антропоморфной
искусственной личности, виртуальная все свои органы и элементы только имитирует в
форме изображений, однако процессы переработки информации по их результативности
вполне реальны и правдоподобны [8–14].
7. Индивидуальность системы
Индивидуальные различия системы проявляются в ее деятельности и поведенческих
функциях, обусловлены как конструктивной природой ее организации, так и ее «жизнен-
ным» опытом, приобретаемым в результате обучения и функционирования.
Упрощенная виртуальная искусственная личность – робот реализована в проекте
«VITROM». Проект демонстрировался в Ганновере на выставке CeBIT в 2000 – 2002 гг., в
Пекине на выставке информационных технологий в 2000г. и в павильонах ВДНХ Украины
в 2000 – 2004 гг.
В интеллектуальной системе «Диалог» (2005) осуществлено моделирование мыш-
ления. Система демонстрировалась на международной конференции "Knowledge-Dialog-
Solution 2007" в Варне и на международной научно-технической мультиконференции «Ак-
туальные проблемы информационно-компьютерных технологий, мехатроники и робото-
техники 2009» в России.
8. Выводы
Искусственная интеллектуальная система, обладающая механизмами искусственного
мышления (размышления), получает возможность рассуждать, упорядочивать и корректи-
ровать свои знания. Осуществляя повторный неоднократный ввод хранящейся в памяти
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 19
информации, снова распознавая ее и сравнивая с содержимым памяти, тем самым выпол-
няет неоднократный просмотр и коррекцию формируемых внутри образов (моделей внеш-
него мира) в непрерывном потоке информации реального внешнего мира. Действительно,
по существу, процесс осознания представляет собой ассоциативное воспоминание с об-
новлением и требует периодического распознавания информации, представляющей внут-
реннее состояние (образ) и внешнюю среду (реальный мир).
Модели, разработанные на базе предложенной теории искусственного интеллекта и
осуществленные в проектах «VITROM» и «Диалог», показали возможность создания тех-
нических устройств, способных к восприятию визуальной и символьной информации, ее
анализу, синтезу и накоплению. Обладать способностью обучаться, отвечать на заданные
вопросы, логически мыслить и размышлять.
СПИСОК ЛИТЕРАТУРЫ
1. Шевченко А.И. Актуальные проблемы теории искусственного интеллекта / Шевченко А.И. –
Київ: ІПШІ «Наука і освіта», 2003. – 228 с.
2. Нервная система. – Режим доступа: galactic.org.ua.
3. Соколов E.H. Принцип векторного кодирования в психофизиологии / Е.Н. Соколов // Вестник
Московского университета. Серия 14: Психология. – 1995. – № 4. – С. 3 – 13.
4. Лурия А.Р. Основы нейропсихологии / Лурия А.Р. – М., 1973. – 173 с.
5. Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети – эффективное средство
моделирования интеллекта. I / В.А. Ященко // Кибернетика и системный анализ. – 1995. – № 4. –
С. 54 – 62.
6. Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети – эффективное средство
моделирования интеллекта. II / В.А. Ященко // Кибернетика и системный анализ. – 1995. – № 5. –
С. 94 – 102.
7. Yashchenko V.A. Receptor-effector neural-like growing network – an efficient tool for building
intelligence systems / V.A. Yashchenko // Proc. of the second internatiional conference on information
fusion, (California, July 6–8 1999). – Sunnyvale Hilton Inn, Sunnyvale, California, USA, 1999. – Vol. II.
– Р. 1113 – 1118.
8. Ященко В.А. Вторичные автоматизмы в интеллектуальных системах / В.А. Ященко // Искусст-
венный интеллект. – 2005. – № 3. – С. 432 – 447.
9. Шевченко А.И. Может ли компьютер мыслить? / А.И. Шевченко, В.А. Ященко // Искусственный
интеллект. – 2005. – № 4. – С. 476 – 489.
10. Ященко В.А. Размышляющие компьютеры / В.А. Ященко // Математичні машини і системи. –
2006. – № 1. – С. 49 – 59.
11. Шевченко А.И. От искусственного интеллекта к искусственной личности / А.И. Шевченко,
В.А. Ященко // Искусственный интеллект. – 2009. – № 3. – С. 492 – 505.
12. Ященко В.А. Некоторые аспекты «нервной деятельности» интеллектуальных систем и роботов
/ В.А. Ященко // Искусственный интеллект. – 2009. – № 4. – С. 504 – 511.
13. Особенности реализации искусственной личности / А.И. Шевченко, В.А. Ященко // Междунар.
научн.-техн. мультиконф. «Актуальные проблемы информационно-компьютерных технологий, ме-
ханотроники и робототехники–2009»: тезисы докл. (ИКТМР–2009), (Дивноморск, Россия, 28 сен-
тября – 3 октября 2009 г.). – Дивноморск, Россия, 2009. – С. 10 – 17.
14. Некоторые аспекты «нервной деятельности» интеллектуальных систем и роботов / В.А. Ященко
// Междунар. научн.-техн. мультиконф. «Актуальные проблемы информационно-компьютерных
технологий, механотроники и робототехники–2009»: тезисы докл. (ИКТМР–2009), (Дивноморск,
Россия, 28 сентября – 3 октября 2009 г.). – Дивноморск, Россия, 2009. – С. 103 – 109.
Стаття надійшла до редакції 08.10.2011
|
| id | nasplib_isofts_kiev_ua-123456789-83619 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1028-9763 |
| language | Russian |
| last_indexed | 2025-12-07T18:05:25Z |
| publishDate | 2011 |
| publisher | Інститут проблем математичних машин і систем НАН України |
| record_format | dspace |
| spelling | Ященко, В.А. 2015-06-21T09:56:21Z 2015-06-21T09:56:21Z 2011 Теория искусственного интеллекта (Основные положения) / В.А. Ященко // Мат. машини і системи. — 2011. — № 4. — С. 3-19. — Бібліогр.: 14 назв. — рос. 1028-9763 https://nasplib.isofts.kiev.ua/handle/123456789/83619 681.3 В рамках бионического подхода рассмотрены основные положения теории искусственного интеллекта как области знаний, которая рассматривает закономерности построения и функционирования интеллектуальных систем на базе многомерных нейроподобных растущих сетей. Теория искусственного интеллекта включает учение о нейроподобных элементах и многомерных нейроподобных растущих сетях, временной и долговременной памяти, учение о функциональной организации «мозга» систем с искусственным интеллектом, о сенсорной системе, модулирующей системе, моторной системе, условном и безусловном рефлексах, рефлекторной дуге (кольце), мотивации, целенаправленном поведении, о «мышлении», «сознании», «подсознании и искусственной личности, формируемой в результате обучения и воспитания». У рамках біонічного підходу розглянуто основні положення теорії штучного інтелекту як галузі знань, що розглядає закономірності побудови і функціонування інтелектуальних систем на базі багатовимірних нейроподібних зростаючих мереж. Теорія штучного інтелекту містить вчення про нейроподібні елементи і багатовимірні нейроподібні зростаючі мережі, тимчасову та довготривалу пам'ять, вчення про функціональну організацію «мозку» систем із штучним інтелектом, про сенсорні системи, модулюючі системи, моторні системи, умовні і безумовні рефлекси, рефлекторні дуги (кільця), мотивацію, цілеспрямовану поведінку, про «мислення», «свідомость», «підсвідомость і штучну особистість, яка формується в результаті навчання і виховання». According to the bionic approach, the article describes, the conceptual issues of the theory of artificial intelligence as a field of knowledge that examines patterns of the construction and operation of intelligence systems based on the multidimensional neural-like growing networks. The general theory of artificial intelligence includes the study of neural-like elements and multidimensional neural-like growing networks, temporary and prolonged memory, study of the functional organization of the "brain" of the systems with the artificial intelligence, about the sensing system, modeling system, motor system, conditioned and unconditioned reflexes, reflex arc (ring), motivation, purposeful behavior, about "thinking", "consciousness", "unconscious and artificial personality is formed as a result of training and education". ru Інститут проблем математичних машин і систем НАН України Математичні машини і системи Обчислювальні системи Теория искусственного интеллекта (Основные положения) Теорія штучного інтелекту (Основні положення) The theory of artificial intelligence (Conceptual issues) Article published earlier |
| spellingShingle | Теория искусственного интеллекта (Основные положения) Ященко, В.А. Обчислювальні системи |
| title | Теория искусственного интеллекта (Основные положения) |
| title_alt | Теорія штучного інтелекту (Основні положення) The theory of artificial intelligence (Conceptual issues) |
| title_full | Теория искусственного интеллекта (Основные положения) |
| title_fullStr | Теория искусственного интеллекта (Основные положения) |
| title_full_unstemmed | Теория искусственного интеллекта (Основные положения) |
| title_short | Теория искусственного интеллекта (Основные положения) |
| title_sort | теория искусственного интеллекта (основные положения) |
| topic | Обчислювальні системи |
| topic_facet | Обчислювальні системи |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/83619 |
| work_keys_str_mv | AT âŝenkova teoriâiskusstvennogointellektaosnovnyepoloženiâ AT âŝenkova teoríâštučnogoíntelektuosnovnípoložennâ AT âŝenkova thetheoryofartificialintelligenceconceptualissues |