Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей

• Veröffentlicht in: Математичні машини і системи
• Datum: 2012
• 1. Verfasser: Ященко, В.А.
• Format: Artikel
• Sprache: Russian
• Veröffentlicht: Інститут проблем математичних машин і систем НАН України 2012
• Schlagworte: Обчислювальні системи
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/83754
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей / В.А. Ященко // Мат. машини і системи. — 2012. — № 2. — С. 37-40. — Бібліогр.: 5 назв. — рос.

В статье рассмотрены вопросы надежности распознавания образов и живучести систем искусственного интеллекта, разработанных на базе рецепторно-эффекторных нейроподобных растущих сетей. Нейроподобные растущие структуры работают с высокой надежностью и обеспечивают живучесть интеллектуальных систем. Эксперименты, проведенные на моделях интеллектуальных систем, показывают, что выход из строя большого количества элементов нейроподобной сети не приводит к отказам в работе всей системы. У статті розглянуті питання надійності розпізнавання образів і живучості систем штучного інтелекту, розроблених на базі рецепторно-ефекторних нейроподібних зростаючих мереж. Нейроподібні зростаючі структури працюють з високою надійністю і забезпечують живучість інтелектуальних систем. Експерименти, проведені на моделях інтелектуальних систем, показують, що вихід з ладу великої кількості елементів нейроподібної мережі не приводить до відмов у роботі всієї системи. The questions of reliability of pattern recognition and artificial intelligence systems survivability developed on the basis of receptor-effector neural growing networks were regarded. Growing neural structures operate with a high reliability and ensure survivability of intelligent systems. Experiments conducted on the models of intelligent systems show that the failure of a large number of neural network elements does not lead to failures in the system.