Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей
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. Экс...
Gespeichert in:
| Veröffentlicht in: | Математичні машини і системи |
|---|---|
| Datum: | 2012 |
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут проблем математичних машин і систем НАН України
2012
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/83754 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| 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. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860174783368396800 |
|---|---|
| author | Ященко, В.А. |
| author_facet | Ященко, В.А. |
| citation_txt | 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. |
| collection | DSpace DC |
| container_title | Математичні машини і системи |
| description | 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.
|
| first_indexed | 2025-12-07T17:59:49Z |
| format | Article |
| fulltext |
© Ященко В.А., 2012 37
ISSN 1028-9763. Математичні машини і системи, 2012, № 2
УДК 681.4
В.А. ЯЩЕНКО
ЖИВУЧЕСТЬ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ,
СОЗДАННЫХ НА БАЗЕ РЕЦЕПТОРНО-ЭФФЕКТОРНЫХ
НЕЙРОПОДОБНЫХ РАСТУЩИХ СЕТЕЙ
Анотація. У статті розглянуті питання надійності розпізнавання образів і живучості систем
штучного інтелекту, розроблених на базі рецепторно-ефекторних нейроподібних зростаючих ме-
реж. Нейроподібні зростаючі структури працюють з високою надійністю і забезпечують живу-
чість інтелектуальних систем. Експерименти, проведені на моделях інтелектуальних систем, по-
казують, що вихід з ладу великої кількості елементів нейроподібної мережі не приводить до
відмов у роботі всієї системи.
Ключові слова: живучість, надійність, розпізнавання образів, рецепторно-ефекторні
нейроподібні зростаючі мережі.
Аннотация. В статье рассмотрены вопросы надежности распознавания образов и живучести
систем искусственного интеллекта, разработанных на базе рецепторно-эффекторных нейропо-
добных растущих сетей. Нейроподобные растущие структуры работают с высокой надежно-
стью и обеспечивают живучесть интеллектуальных систем. Эксперименты, проведенные на мо-
делях интеллектуальных систем, показывают, что выход из строя большого количества элемен-
тов нейроподобной сети не приводит к отказам в работе всей системы.
Ключевые слова: живучесть, надежность, распознавание образов, рецепторно-эффекторные
нейроподобные растущие сети.
Abstract. 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 con-
ducted on the models of intelligent systems show that the failure of a large number of neural network ele-
ments does not lead to failures in the system.
Keywords: survivability, reliability, pattern recognition, receptor-effector neural growing networks.
1. Введение
В современном мире проблема живучести систем является очень важной для всех отраслей
промышленности. Например, на всех видах транспорта, в автоматизированных системах, в
экономических (банковских), социальных системах и пр., то есть везде, где возникают
проблемы функциональной надёжности объекта и безопасности его эксплуатации.
Проблема живучести технических систем весьма актуальна особенно в военном деле при
создании оборонительного вооружения или средств нападения, например, танков. В
военных действиях повреждения таких объектов неизбежны. Одним из основных
требований в этих случаях является сохранение боевых качеств этих объектов после их
повреждений. В связи с этим специалисты дают определение живучести как сохранение
(полное или частичное) функциональных свойств объекта после его повреждения.
Объектом исследования в этом случае является не исходная, а повреждённая конструкция
с уже изменёнными свойствами [1].
Аварии неизбежны даже в наиболее разработанной системе безопасности
космических средств, воздушного, наземного транспорта и пр. Выход из этого тупика
состоит в анализе поведения объекта после его повреждения в результате аварии.
Как уже упоминалось, живучесть – одна из важнейших характеристик, оцениваю-
щая способность специальной техники сохранять или быстро восстанавливать возмож-
ность функционирования при повреждениях, т.е. способность выполнять целевые задачи
или способствовать их выполнению.
38 ISSN 1028-9763. Математичні машини і системи, 2012, № 2
Рис. 1. Многомерный граф мнрэ-РС
Таким образом, обеспечение живучести автономных интеллектуальных систем
управления, находящихся на борту космического аппарата или в системе вооружения, во-
енной и специальной техники, имеет не менее важное значение для функционирования
объекта.
Живучесть биологических систем проявляется в их способности адаптироваться к
новым условиям внешней среды, мутировать, воспроизводиться и т.п. Очевидным являет-
ся и тот факт, что ни для биологических, ни для систем другой природы невозможно дос-
тижение абсолютной живучести.
Для создания живучих интеллектуальных систем управления целесообразно ис-
пользовать многомерные рецепторно-эффекторные нейроподобные растущие сети.
2. Многомерные нейроподобные рецепторно-эффекторные растущие сети
Для запоминания и обработки описаний образов объектов или ситуаций проблемной об-
ласти, а также генерации управляющих воздействий с помощью различных информацион-
ных пространственных представлений, вводятся многомерные рецепторно-эффекторные
нейроподобные растущие сети (мрэн-РС).
Мрэн-РС представляется направленным многомерным графом (рис. 1). Формально
мрэн-РС задаются 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,Ed1,Ed2; 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 рецеп-
торов, Av, As, At – конечное подмножество ней-
роподобных элементов, Dv, Ds, Dt – конечное
подмножество дуг, Pv, Ps, Pt – конечное множе-
ство порогов возбуждения нейроподобных эле-
ментов рецепторной зоны, принадлежащих, на-
пример, визуальному, слуховому, тактильному
информационным пространствам, Nr – конечное
множество переменных коэффициентов связно-
сти рецепторной зоны, Er, Ed1, Ed2 – конечное
подмножество эффекторов, Ar, Ad1, Ad2 – конеч-
ное подмножество нейроподобных элементов,
Dr, Dd1, Dd2 – конечное подмножество дуг эффекторной зоны, Pr, Pd1, Pd2 – конечное мно-
жество порогов возбуждения нейроподобных элементов эффекторной зоны, принадлежа-
щих, например, речевому информационному пространству и пространству действий, Ne–
конечное множество переменных коэффициентов связности эффекторной зоны.
Таким образом, в мрэн-РС информация о внешнем мире, его объектах, их состояни-
ях и ситуациях, описывающих взаимоотношения между ними, а также информация о дей-
ствиях, вызванных этими состояниями, сохраняется вследствие ее отражения в многомер-
ной структуре сети, а поступление новой информации вызывает формирование новых ас-
социативных вершин и связей и их перераспределение между вершинами, возникшими ра-
нее. При этом выделяются общие части этих описаний и действий, которые автоматически
обобщаются и классифицируются [2–5].
Более подробно вопросы восприятия и распознавания визуальной информации в
системах искусственного интеллекта рассмотрены в [5]. Представлено описание устройст-
ва и функционирования сенсорной зрительной системы восприятия и предварительной об-
работки информации. Обработка информации в других измерениях осуществляется прак-
тически аналогично.
ISSN 1028-9763. Математичні машини і системи, 2012, № 2 39
Рис.2. Интерфейс виртуального робота «VITROM»
Рис. 2. Интерфейс виртуального робота «VITROM»
Структура мрэн-РС представляет собой однородный массив нейроподобных эле-
ментов. Это дает возможность применять методы параллельной обработки информации и
при этом предоставляет новые возможности ассоциативного поиска хранящейся в данной
структуре информации, что в свою очередь позволяет осуществить новые подходы к ре-
шению задач искусственного интеллекта. В современных устройствах ассоциативного по-
иска информации в подавляющем большинстве случаев поиск информации осуществляют
по заранее выделенной ее части (по ключу). Ассоциативность нейроподобных растущих
структур выгодно отличается от других типов технических устройств возможностью вос-
становления информации по любой ее части. Это в значительной степени определяет жи-
вучесть систем, созданных на базе мрэн-РС, т.к. при выходе из строя значительной части
ее элементов она сохраняет свои целевые функции.
Таким образом, нейроподобные растущие структуры обеспечивают высокую на-
дежность и живучесть систем. Эксперименты, проведенные на моделях интеллектуальных
систем, показывают, что поломка большого количества элементов нейроподобной расту-
щей сети не приводит к отказам в работе всей структуры.
Можно показать, что выход из строя некоторого подмножества нейроподобных
элементов не влияет на конечный (целевой) результат. Рассмотрим правильность этого ут-
верждения на примере работы виртуального робота «VITROM».
3. Виртуальный робот «VITROM»
Интерфейс виртуального робота
«VITROM» показан на рис. 2.
Робот ознакомлен с 450 фотогра-
фиями лиц из базы «Yale
FaceIMAGES_Data», «Base Yale
FaceIMAGES_NOTT» и постоянко
пополняет базу изображений с по-
мощью встроенной видеокамеры.
Как он функционирует?
1. Распознавание объектов в
режиме реального времени. При от-
сутствии объекта распознавания в
зоне видимости видеокамеры («глаза
робота») (на видеорецепторах мрэн-РС нет сигналов) робот призывает объект подойти к
нему (вырабатываются сигналы управления эффекторами аудиоизмерения). При появле-
нии объекта в зоне видимости (на видеорецепторах мрэн-РС появляются сигналы движе-
ния изображения) робот пытается распознать объект. Если объект находится в зоне види-
мости, но на значительном удалении (в рецепторной зоне мрэн-РС нет возбужденных вер-
шин), робот приглашает подойти ближе (в эффекторной зоне генерируются сигналы
управления звуком) и пытается распознать объект (в рецепторной зоне анализ видеосигна-
лов). Если объект найден и известен роботу (в рецепторной зоне есть возбужденные вер-
шины, в эффекторной видеозоне возбуждаются вершины идентификации объекта, и по го-
ризонтальным связям в эффекторной аудиозоне генерируются сигналы управления зву-
ком), то он здоровается и называет объект по имени и отчеству. Если робот не «знает»
объект или ошибся (здесь и далее аналогично), то он предлагает объекту представиться,
запоминает информацию и его изображение.
2. В режиме распознавания фотографий из базы знаний робота. Входное изображе-
ние воспринимается из файла или буфера обмена. По команде «распознать» осуществляет-
ся распознавание.
40 ISSN 1028-9763. Математичні машини і системи, 2012, № 2
Рис. 3. Распознавание поврежденных изображений
На рис. 3 показаны резуль-
таты распознавания пов-
режденных изображений, что
фактически соответствует повре-
ждению на 25%, 50% и 75% ре-
цепторного поля или зоны.
Ошибка при распознавании толь-
ко в одном случае – при повреж-
дении изображения на 75% (рис.
3, фрагмент 5). Однако наблюдае-
тся тенденция – чем выше степень
повреждения, тем ниже уровень
(уверенность) распознавания.
4. Выводы
Таким образом, нейроподобные
растущие структуры работают с
высокой надежностью и обеспе-
чивают живучесть систем, соз-
данных на базе нейроподобных
растущих сетей. Эксперименты,
проведенные на моделях интел-
лектуальных систем, показывают,
что выход из строя большого ко-
личества элементов нейроподоб-
ной сети не приводит к отказам в
работе всей системы. Высокая на-
дежность и живучесть систем с нейроподобной растущей структурой обеспечивается мно-
гофункциональностью элементов. В отличие от традиционных схем повышения надежно-
сти (резервирование элементов системы) надежность нейроподобных растущих структур
не приводит к избыточным затратам аппаратуры, поскольку в нейроподобных растущих
структурах каждый нейроподобный элемент принимает участие в реализации многих
функций, что позволяет экономно использовать рабочие элементы. Отказ каждого элемен-
та в нейроподобной структуре ведет к незначительному ухудшению этих функций.
СПИСОК ЛИТЕРАТУРЫ
1. Кудишин Ю.И. Концептуальные вопросы живучести систем [Электронный ресурс] /
Ю.И. Кудишин. – Режим досупа: steelconstructions.ru.htm.
2. Yashchenko V.A. Neural-like growing networks-new class of the neural networks / V.A. Yashchenko //
Proc. of the International Conference on Neural Networks and Brain Proceeding, (Beijing, China, Oct. 27–
30 1998). – Beijing, China, 1998. – P. 455 – 458.
3. Yashchenko V. Neural-like growing networks / V. Yashchenko // SPIE's 14th Annual International Sym-
posiym on Aerospace. Defense Sensing, Simulation and Controls, Session Applications and Science of
Computational Intelligence III (Orlando, Florida USA, April 24–28 2000). – Orlando, Florida USA, 2000.
– Vol. 4055. – P. 14 – 23.
4. Ященко В.А. Некоторые аспекты «нервной деятельности» интеллектуальных систем и роботов /
В.А. Ященко // Искусственный интеллект. – 2009. – № 4. – С. 504 – 511.
5. Ященко В.А. К вопросу восприятия и распознавания образов в системах искусственного
интеллекта / В.А. Ященко // Математичні машини і системи. – 2012. – № 1. – С. 16 – 27.
Стаття надійшла до редакції 11.07.2011
|
| id | nasplib_isofts_kiev_ua-123456789-83754 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1028-9763 |
| language | Russian |
| last_indexed | 2025-12-07T17:59:49Z |
| publishDate | 2012 |
| publisher | Інститут проблем математичних машин і систем НАН України |
| record_format | dspace |
| spelling | Ященко, В.А. 2015-06-23T07:51:57Z 2015-06-23T07:51:57Z 2012 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. 1028-9763 https://nasplib.isofts.kiev.ua/handle/123456789/83754 681.4 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. ru Інститут проблем математичних машин і систем НАН України Математичні машини і системи Обчислювальні системи Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей Живучість інтелектуальних систем управління, розроблених на базі рецепторно-ефекторних нейроподібних зростаючих мереж Survivability of intelligent control systems based on the receptor-effector neural growing networks Article published earlier |
| spellingShingle | Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей Ященко, В.А. Обчислювальні системи |
| title | Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей |
| title_alt | Живучість інтелектуальних систем управління, розроблених на базі рецепторно-ефекторних нейроподібних зростаючих мереж Survivability of intelligent control systems based on the receptor-effector neural growing networks |
| title_full | Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей |
| title_fullStr | Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей |
| title_full_unstemmed | Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей |
| title_short | Живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей |
| title_sort | живучесть интеллектуальных систем управления, созданных на базе рецепторно-эффекторных нейроподобных растущих сетей |
| topic | Обчислювальні системи |
| topic_facet | Обчислювальні системи |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/83754 |
| work_keys_str_mv | AT âŝenkova živučestʹintellektualʹnyhsistemupravleniâsozdannyhnabazereceptornoéffektornyhneiropodobnyhrastuŝihsetei AT âŝenkova živučístʹíntelektualʹnihsistemupravlínnârozroblenihnabazíreceptornoefektornihneiropodíbnihzrostaûčihmerež AT âŝenkova survivabilityofintelligentcontrolsystemsbasedonthereceptoreffectorneuralgrowingnetworks |