Принципы нейроноподобной реализации систем Автономного Адаптивного Управления

Крыжановский, Михаил Владимирович

Принципы нейроноподобной реализации систем Автономного Адаптивного Управления тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат физико-математических наук Крыжановский, Михаил Владимирович

Крыжановский, Михаил Владимирович
кандидат физико-математических наук
2004

Специальность ВАК РФ05.13.11

Количество страниц 128

Крыжановский, Михаил Владимирович. Принципы нейроноподобной реализации систем Автономного Адаптивного Управления: дис. кандидат физико-математических наук: 05.13.11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей. Москва. 2004. 128 с.

Оглавление диссертации кандидат физико-математических наук Крыжановский, Михаил Владимирович

ВВЕДЕНИЕ.

§1. Проблема создания систем автономного управления.

§2'. Поведение, обучение и архитектура автономных систем ИИ.

§3. Метод автономного адаптивного управления.

§4. Цели и задачи диссертационной работы.

ГЛАВА 1. РАЗРАБОТКА ЭЛЕМЕНТОВ СИСТЕМЫ УПРАВЛЕНИЯ НА НЕЙРОПОДОБНЫХ ЭЛЕМЕНТАХ.

§1. Описание элементной базы систем ААУ (модели нейронов, синапсов и сетей).

§2. Описание состава, строения и работы системы формирования и распознавания образов.

§3. Описание состава, строения и принципа работы базы знаний.

§4. Описание и реализация аппарата принятия решений и системы «эмоций».

ГЛАВА 2. ПОСТРОЕНИЕ И МОДЕЛИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ДЛЯ АВТОНОМНОГО МОБИЛЬНОГО РОБОТА.

§1. Модель мобильного робота "Опоте#8".^.

§2. Система моделирования и исследования поведения робота "(Зпоте#8".

§3. Алгоритм функционирования системы управления.

§4. Результаты компьютерного моделирования эволюции робота.

ГЛАВА 3. АЛГОРИТМ ДИНАМИЧЕСКОГО ФОРМИРОВАНИЯ НЕЙРОННОЙ СЕТИ ДЛЯ АППАРАТА ФОРМИРОВАНИЯ И РАСПОЗНАВАНИЯ ОБРАЗОВ СИСТЕМ АВТОНОМНОГО АДАПТИВНОГО УПРАВЛЕНИЯ.

§1. Процедура динамического формирования нейронной сети для аппарата Формирования и Распознавания Образов систем Автономного Адаптивного Управления.

§2. Реализация алгоритма в системе управления.

§3. Недостатки элементов системы управления.

ГЛАВА 4. ДРЕВОВИДНЫЕ СТРУКТУРЫ.

§1. Принцип организации и свойства памяти подсистемы формирования и распознавания образов на базе бинарного бесконфликтного дерева.

§2. Теоретическая оценка эффективности алгоритма и пример реализации в системе управления.

ГЛАВА 5. ПАРАМЕТРИЧЕСКИЕ НЕЙРОННЫЕ АССОЦИАТИВНЫЕ СЕТИ.

§ 1. Сети Хопфилда. Основные понятия.

§2. Принцип организации и свойства памяти Базы Знаний на основе параметрической нейросети.

Введение диссертации (часть автореферата) на тему «Принципы нейроноподобной реализации систем Автономного Адаптивного Управления»

§1. Проблема создания систем автономного управления

Создание автономно управляемых автоматически искусственных систем в настоящее время становится реальностью. Спектр их применения все время увеличивается от автономного робота, работающего в недоступной человеку среде до компьютерных программ, существующих и работающих в среде Интернета. Круг задач, в которых должны использоваться такие системы постоянно расширяется и требует развития теории управления.

Традиционно системы управления для автоматических устройств конструировались на основе описания математических моделей объектов управления [1,2]. При этом уравнения, описывающие состояние управляемых объектов, и внешние воздействия предполагались известными. Такая полная определенность позволяла использовать аналитический аппарат математики для решения проблем теории управления. Особенно это относится к линейным задачам, где применение принципа суперпозиции существенно облегчало решение задач. Но и в области нелинейных задач, несмотря на отсутствие общих методов, были получены результаты, касающиеся как анализа, так и синтеза автоматических систем. Однако область применимости этих подходов оставалась ограниченной, особенно в условиях, когда внешние воздействия, как задающие, так и возмущающие, непрерывно изменяются во времени и не могут быть однозначно определенны, что характерно для реальных ситуаций [3]. Зачастую, это относится и к коэффициентам дифференциальных уравнений. Поэтому возникла необходимость в привлечении подходов, учитывающих вероятностный характер внешних воздействий. В основе таких подходов лежит знание статистических характеристик случайных функций (которые должны быть предварительно определены), при этом также используются аналитические методы [4].

Характерная особенность основных методов и результатов состоит в их применимости к автоматическим системам с полной информацией, т.е. когда известны уравнения объекта и внешние воздействия, либо их статистические характеристики. С другой стороны, учет нелинейных свойств объектов управления, их взаимодействия в сложных системах резко усложняет математические модели объектов и процессов, и во многих случаях делает их построение практически невозможным. Это обстоятельство стимулировало развитие новых разделов математики, таких как теория алгоритмов, нечеткая логика, теория автоматов, экспертные системы. Возникли идеи и принципы систем искусственного интеллекта.

Отметим работу C.B. Яблонского [5], в которой были введены основные понятия кибернетики и в которой, из представления о дискретности элементов, выводятся основные объекты УС. Определяются такие понятия как память, элементы, схемы, состояние памяти, информация, УС и др. Анализируя [5] можно видеть, что исходное положение о дискретности УС плодотворно и позволило дать подробные определения многим составляющим управляющих систем, что служит богатым инструментом для описания и функционирования УС. На основании этих положений развивался подход к построению управляющих систем на основе работы со «знаниями». Примерами таких систем являются системы нечеткой логики, экспертные системы, генетические алгоритмы. В этих системах, объект управления представлен некоторой информацией о нем, о множествах его возможных состояний, его переходов и т.д. Его функциональные свойства описываются в виде семантических связей различимых состояний, отношениями, определенными на множествах этих состояний, вероятностями переходов между ними, методами ситуационного управления. Однако такой подход к построению автономных управляющих систем не дал ожидаемых результатов (см. §2).

В современных требующих автоматизации сложных системах, работающих в самых разнообразных условиях, часто не только заранее неизвестны уравнения управляемых объектов и внешние воздействия, но по различным причинам их и нельзя определить. Иначе говоря, мы сталкиваемся с большей или меньшей начальной неопределенностью. Возможность управления объектами при неполной априорной информации основана на применении методов адаптации и самообучения в автоматических системах, которые уменьшают первоначальную неопределенность на основе использования информации, получаемой в течение процесса управления.

В качестве примера приведем работу M.JI. Цетлина [6], в которой он предложил и исследовал модели автоматов, способных адаптивно приспосабливаться к окружающей среде. Им введены такие понятия как: стационарность среды, глубина памяти автомата, критерий оптимальности поведения и др. Доказано, что при увеличении глубины памяти поведение автомата приближается к оптимальному. Показано, что при оптимальном движении автомата в нестационарных средах, глубина памяти изменяется в соответствии с изменением стационарности.

Работы M.JI. Цетлина инициировали целое научное направление, получившее название "коллективное поведение автоматов". Управления объектом здесь достигается посредством самоорганизации элементов системы управления. Так в работах В.И. Варшавского и Д.А. Поспелова [7,8] по поведению коллектива автоматов стратегия поведения каждого автомата определялась выигрышем всех, а выигрыш коллектива определялся как сумма выигрышей каждого автомата. При дальнейшем развитии этих идей в работах Ю.И. Неймарка [12] автоматы уже могли решать сложные задачи управления каким-либо объектом, когда системный критерий (например, поддержание равновесия виртуального велосипедиста) декомпозировался в критерии выигрыша каждого элемента.

Среди важных работ отметим также гомеостат Эшби [9], где критерием оптимального состояния каждого элемента являлось поддержание движка реостата в определенном положении. Критерий функционирования гомеостата как системы, или системный критерий, заключался в достижении оптимального состояния всех элементов. Из результатов работы следовало, что достижение оптимума одного элемента происходит за счет подстроек параметров других, т.е. происходит некоторое взаимосодействие элементов.

Другой трудностью, с которой сталкиваются при создании автономных, управляемых автоматически, искусственных объектов, являются свойства среды. Часто естественной характерной чертой таких сред является отсутствие детерминированности и/или нестационарность, т.е. когда свойства среды могут со временем изменяться. Поясним сказанное. Детерминированной называется среда, в которой каждое действие автономного объекта влечет за собой единственный определенный результат [10]. Статичная среда - такая среда, источником изменений в которой может быть только сам объект. В тоже время динамическая среда - такая, в которой оперируют другие процессы, приводящие к ее изменениям независимо от управления [12].

В связи с возникающими трудностями, особый интерес представляют способы построения автономных адаптивных систем управления на основе подходов, которые реализуются природой в живых организмах. Действительно, системы управления живыми организмами в природе обеспечивают высокую обучаемость и приспосабливаемость к изменяющимся условиям среды обитания и высокую автономность жизнедеятельности. Примечательно, что задача восприятия сигналов, их обработки в биологических системах решена развитием нервной системы, которая обеспечивает управление многоклеточным организмом, независимо от ее формы и среды обитания. Поэтому постоянно возникают попытки построения моделей нервной системы и ее элементов. Это приводит к появлению концептуальных теорий, примерами которых являются теория функциональных систем П.К.Анохина [13], теории эволюционного развития, теории нервных систем, концептуальные модели нейронов, так и прикладных систем, объединенных термином «системы искусственного интеллекта» (ИИ).

Одним из направлений ИИ является имитационное (бионическое) направление, цель которого выяснить основные принципы адаптации живых организмов и, на их основе, строить прикладные, автономные системы управления. К этому направлению можно отнести работы по модульным нейронным сетям [14], нейронные сети на основе «спайковых нейронов» [15], системы с подкрепляющим обучением [16], системы «искусственной жизни» [17], аниматы [18] и некоторые другие.

§2. Поведение, обучение и архитектура автономных систем ИИ

Для биологических организмов поведение трактуется как форма адаптации к внешней среде [19,20] и включает в себя следующие типы:

• стереотипные (таксисы, рефлексы, инстинкты);

• приобретенные и модифицируемые (инстинкты, научение, рассудочная деятельность, озарение).

Таксисы присущи одноклеточным существам, стоящим на самой нижней ступеньке «лестницы» животного мира. Пример таксиса - движение парамеции (инфузории туфельки) к пище или движение от сильного раздражителя, например, слишком яркого света.

Если таксисы представляют собой простейшие формы адаптации - поведение автоматического характера для любых биологических объектов, то рефлексы - это уже форма поведения, связанная с наличием у живых организмов нервной системы. Рефлексы представляют собой цепочку событий внутри организма, когда сигналы передаются с помощью нервной системы и вызывают реакцию организма. Наряду с ними существуют более сложные виды стереотипного поведения (инстинктивного), присущие данному виду. Такие типы адаптивности формируются эволюционно и являются врожденными, генетически наследуемыми. По мере подъема по лестнице эволюции врожденное поведение заменяется и дополняется приобретенным. Научение возникает у животных, когда нервная система получает возможность накапливать информацию, способную изменять их поведение. Такой тип поведения реализуется либо через подражание, либо путем проб и ошибок. Обезьяны и человек обладают способностью организовывать поведение путем рассудочной деятельности, не прибегая зачастую к пробным действиям, как это имеет место при простом научении. Поведение, называется инсайтом, если действие, производится по аналогии-ассоциации, путем внутреннего связывания разнородных элементов мышления.

Рассматриваемые нами автоматические искусственные системы являются управляемыми. Это предполагает наличие у процесса управления цели управления [1]. В зависимости от текущей ситуации, а также, от цели, выбирается и реализуется то или иное действие системы. Такая реакция может выбираться некоторым способом либо из репертуара заранее приготовленных действий, либо формироваться динамически. Последовательность действий, в конечном счете, реализует поведение автономной системы. В зависимости от того, какие механизмы вовлечены в то, чтобы поставить в соответствие паре (ситуация, цель) отвечающую ей реакцию системы, по аналогии с биологическими организмами, можно выделить несколько типов (уровней) поведения этих систем [10,11]:

- « Механическое» поведение;

- стереотипное поведение; 1

- стереотипное поведение, формируемое в процессе обучения;

- «логическое» поведение;

- поведение, направляемое опытом.

Механическое" поведение - реакции системы на воздействия среды, реализуемые без привлечения управления, исключительно за счет физических факторов. Аналогом такого типа поведения является поведение инфузории туфельки при ее движении к пище или от источника раздражения, в частности, от источника слишком яркого света.

Стереотипное поведение осуществляется на основе средств, встроенных в систему управления. Закон регулирования фиксирован и задан при проектировании. В биосистемах такое поведение реализуется только для организмов с нервной системой на уровне безусловных рефлексов.

Стереотипное обучение, формируемое в процессе обучения, по характеру реагирования сходно с предыдущим. Имеется множество программ (реакций), текущему значению пары (ситуация, цель) ставится в соответствие одна из реакций данного множества действий. На этом уровне отображение формируется в процессе работы системы управления путем обучения. Однако здесь систему необходимо предварительно научить новым действиям. В живой природе этому соответствует модификация врожденного поведения.

Логическое» поведение, направляемое знаниями и рассуждениями, это уровень осмысленных действий, когда поведение системы направляется по правилам и инструкциям, заложенным в базы знаний, однако доступный набор действий должен готовиться заранее. В данном случае при определении реакции на текущую ситуацию используется не просто отображение, а некоторая цепочка рассуждений, т.е. последовательность отображений, формируемых динамически. В живых системах данному типу поведения соответствует рассудочная деятельность в определенной ее части.

Поведение, направляемое опытом, напоминает предыдущий уровень. Здесь также важную роль играет обучение. Принципиальные различия между этими двумя уровнями заключаются в следующем. Вместо цепочки рассуждений методом проб и ошибок строится менее формализованная цепь контекстно-зависимых ассоциативных переходов [24-27]. Еще более существенно, что как программы-реакции, так и правила для них формируются динамически[24,29]. Это в свою очередь означает, что снимается ограничение, связанное с предварительным обучением. Работая, система накапливает опыт поведения применительно к различным ситуациям и целям.

Первой попыткой применения биологических принципов к построению адаптивных автономно управляемых систем был нетривиальный проект «Животное», предложенный М.М. Бонгардом [2R23], и характеризующий поведение искусственных организмов. В нем заложены основные черты модели интеллектуального адаптивного управления:

• потребности, доминанта (мотивация);

• иерархия целей, решение задач и подзадач;

• база знаний в виде памяти фактов (обобщенных фактов);

• факт: {S(t), A(t)} -> {S(t +1), r(t +1), с}, где S - ситуация, А - действие, г - подкрепление (правильность решения задачи), с - ценность факта;

• предсказание будущей ситуации (аналог акцептора действия П.К. Анохина [13]);

• предварительный прогноз ситуации перед принятием решения;

• выделение поля внимания;

• обобщение фактов (предложена и построена символьная алгебра схем обобщения);

В эти же годы, усилиями Д.А. Поспелова и В.Н. Пушкина [50], были получены результаты экспериментальных исследований интуиции, дающие возможность понять природу принципиальных слабостей теории автоматов при моделировании человеческого мышления. Сформулированная ими концепция позволяет наметить путь создания больших систем управления.

Однако, несмотря на фундаментальность полученных результатов, все же эти работы не получили своего дальнейшего развития. "Виной" этому стали:

• открытия, достижения и результаты в области нейронных сетей (НС), с помощью которых инженеры получили более универсальный и легкий в применении математический аппарат;

• недостатки традиционного подхода к построению систем искусственного интеллекта на основе реализации «логического поведения».

Отметим здесь же недостатки подхода к построению автономных систем ИИ, реализующих только «логическое» поведение. Такой подход полагает, что интеллектуальное поведение может быть реализовано в системе, если в нее заложить символьное представление среды, ее желательное поведение в ней и синтаксис манипулирования этими представлениями [10,39]. Однако этот подход не реализуем сейчас по нескольким причинам.

Во-первых, блок восприятия, отражает среду во внутреннее представление, и в случае с логическими системами, это представление является символьным - обычно это набор формул на языке представления системы. Но для многих сред не ясно, как провести это отражение. Во-вторых, задача однозначного представления свойства динамических сред реального мира очень сложна. К примеру, представление и осмысление временной информации о том, как ситуация изменяется со временем — очень сложная задача. ВI третьих, отметим, что в логическом подходе принятие решений рассматривается как дедукция. Это означает, что в основе «логического» поведения лежит стратегия принятия решений, закодированная как логическая теория, и процесс выбора действий сводится к проблеме доказательства. Но подход, основанный на логике, имеет много недостатков, одним из которых является обязательная вычислительная сложность доказательства теорем, что, в свою очередь, не позволяет практически реализовать «логическое» поведение систем ИИ, находясь в сильно зависящей от времени среде.

Выявленные недостатки в «логическом» подходе обусловили в дальнейшем отказ от символьного представления и от принятия решений, опирающегося на синтаксические манипуляции с таким представлением. Кроме того, возникла идея о том что:

• интеллектуальное поведение, судя по всему, тесно связано со средой, в которой находится агент. Интеллектуальное поведение не существует само по себе, а является результатом взаимодействия объекта со своей средой;

• интеллектуальное поведение объекта складывается из «простых» различных поведений. Здесь под «простым» поведением понимается набор действий, который реализует определенную заданную целевую функцию.

На основе новых представлений начали складываться подходы к решению задач многокритериального (многоцелевого) управления [35,36] и изучение реализации последней в живых организмах.

На практике реализация поведения управляющих систем осуществляется с помощью выбора соответствующей архитектуры [26,29,30] . Несмотря на большое видовое разнообразие архитектур, мы будем рассматривать только простые типы систем. Более сложные, иерархические системы строятся на основе «узлов», которые являются системами простого типа [30,36]. Основным свойством этих систем является то, что они реализуют «поведение, направляемое опытом» (см. §2). Перечислим их:

1. объекты, где знания о поведении системы с известной целевой функцией заложены в коэффициенты синаптических связей между нейронами сети;

2. системы с самоорганизацией элементов, в частности, нейронов сети;

3. гибридные системы с выделенной в отдельную подсистему базой знаний — правилами поведения.

Для систем первого типа, на основе нейронных сетей, обучение ведется либо на основе метода Back Propagation [15], либо на основе метода Reinforcement Learning [16]. В виду той важности, которую приобретает последний, кратко опишем его.

Метод обучения с подкреплением. При обучении на основе подкрепления запоминается соответствие между ситуациями и действиями, которые анимат должен выполнить в той или иной ситуации [31,32] .Обучение анимата (рис.1) ведется на основе "поощрения за правильно выполненное действие и наказания за ошибочное".

S, Анимат

-► г»

Г(+1 1 и— Среда <

- s,+i

Рис.1. Схема обучения с подкреплением. где I = 1,2,.; Я, - текущая ситуация; а, - действие анимата; г, - подкрепление (положительное или отрицательное), полученное в текущий момент времени

1 т

Цель анимата — максимизировать суммарную награду £(Г) = — ^/",+*+,, получаемую за

Т ¿ы длительный период времени Т.

Оценка ожидаемой награды: Я, = ^{укг1+к+1) где у - дисконтный фактор, 0 < у < 1. к-0

В процессе обучения анимат формирует полшику. Политика определяет выбор (детерминированный или вероятностный) действия в зависимости от ситуации. Итеративно формируются оценки Q{st,at) суммарной величины награды, которую хотел бы получить анимат, если в ситуации л, он выполнит действие а,. Г1+1 Гц-2 аг аг+1

Рис.2. Схема переходов для формирования политики.

Исходные Q(snа,) -произвольны.

Выбор действия осуществляется по правилам:

• в момент t с вероятностью \-е выбирается действие с максимальным значением

Q(s,,а,): о — argmaxa{Q(s,, а,)};

• с вероятностью е выбираются произвольное действие, 0 < е «1.

Переоценка величины Q(s, ,а,): АQ(s,,'<я,) = a[rl+l + yQ(sti.,,а,+1) - Q(s,,а,)], где а - параметр скорости обучения.

Системы с самоорганизацией элементов.

Резко отличными свойствами обладают системы с самоорганизацией элементов, а именно ансамбля нейронов. Для реализации свойства самоорганизации [34,35] нейроны ансамбля должны иметь два типа входов. Весовые коэффициенты одних входов подстраиваются. Подстройка коэффициентов происходит только при отклонении от оптимального положения некоторого интегрального инерционного параметра нейрона - порога. Другие входы имеют фиксированные весовые коэффициенты. По этим входам приходит критериальное воздействие из блока целевых функций и отклоняет пороги нейронов от оптимума. Кроме того, случайные возмущения, приходящие на нейронную сеть, значительно усиливаются при отклонении целевых функций от оптимума. Это свойство усиливать поисковую активность при актуализированной мотивации характерно и для живых систем. В экспериментах показано, что при наличии мотивации и отсутствии пусковых стимулов характер активности нейронов становится более стохастическим [10]. Таким образом, получается, что при отклонении системного критерия от оптимума, на все нейроны поступают критериальные воздействия и увеличиваются случайные возмущения. Нейрон не может минимизировать это воздействие за счет уменьшения его весового коэффициента, а вынужден под влиянием случайных поисковых возмущений менять весовые коэффициенты информационных входов и межнейронных связей. В итоге, оптимизация состояния всех нейронов наступает тогда, когда за счет изменения межнейронных связей будет найдена такая реакция или совокупность реакций сети на ранее незначимые стимулы, при которой системный критерий минимизируется [34].

Гибридные системы. Простейшим типом баз знаний для таких систем являются классифицирующие системы Холланда [37,38,39]. Классифицирующая система есть система индуктивного вывода, которая использует набор логических правил. Каждое правило имеет вид: если условие, тогда действие и сопровождается кортежем, в состав которого входит вес правила и адреса правил - родителей, его породивших. В процессе обучения базы знаний меняются приоритеты в использовании правил, т.е. меняются коэффициенты. характеризующие вес правил. При успехе поощряются не только сами правила, но и те правила, которые были предшественниками этих правил.

Ассоциативный метод обучения применяется для нейронных баз знаний, построенных на основе сетей Хопфилда [58], для параметрических векторных сетей [59,60] и в системах, использующих метод автономного адаптивного управления [10], который будет описан отдельно.

На рис.3, представлена функциональная схема некоторой гибридной системы [30,31], ее элементы и взаимосвязи:

• word modeling - модуль моделирования среды, который выполняет четыре функции: 1) использует сенсорный ввод, чтобы создать, модифицировать и обслуживать базу знаний (knowledge database); 2) отвечает на запросы от блока генерации поведения (behavior generation), относительно состояния среды; 3) моделирует результаты будущих планов, которые оцениваются в модуле, чтобы выбрать лучший план; 4) генерирует сенсорные ожидания, основанные на знаниях, находящихся в базе знаний. Ожидания используются сенсорным модулем (sensory processing), чтобы конфигурировать фильтры для корреляции, соответствия модели среды и рекурсивной оценки, и для кластеризации.

• sensory processing модуль принимает входные данные от датчиков; оценивает шкалу и фильтрует данные; вычисляет наблюдаемые свойства и атрибуты; сравнивает наблюдения с ожиданиями, полученными от внутренних моделей среды. Корреляции между наблюдениями и сгенерированными ожиданиями Используются, чтобы обнаружить события и распознать ситуации или объекты. В то же время, различия между ними отсылаются в модуль итя, для коррекции модели внешней среды.

• knowledge database блок базы знаний, содержащий «правила поведения» полностью и аналогичный базе знаний классифицирующих систем Холланда.

• value judgment модуль оценки награды, выгоды действий и планов. Оценка важности целей, ситуаций. Оценка надежности награды. Особенностью узла является динамически подстраиваемый фильтр событий в модуле sensory processing и его корреляционные свойства. сощщгаЕВ voiild

ВЕЕШЛОН вШВДАТИНЧ

5 ХАТЕ омшцпшв

АС ПОЮ <ЛЩСОМ.$>

Рис.3. Соотношения между элементами гибридной системы.

§3. Метод автономного адаптивного управления

Из обзора приведенного выше и приложения следует, что успехи нейросетевого подхода в задачах искусственного интеллекта связаны, в первую очередь, с применением результатов исследования работы нервной системы биологических организмов, как на нейрофизиологическом уровне, так и на поведенческом. Усложнение управляемых объектов и систем управления, невозможность сформулировать целевые функции' [7,8] (как это традиционно принято [1]), отсутствие априорной информации относительно условий их работы, вызвали к жизни новые подходы к построению адаптивных систем управления и принципов их функционирования. Все это в совокупности привело к созданию разнообразных программных архитектур [24,26,29] и, что более важно, к методологии построения управляющих систем на принципах, имитирующих работу нервных систем [13,24,48,49] биологических организмов. К изложению одного из таких принципов [40,41], названного методом автономного адаптивного управления (ААУ), мы и приступаем.

Компьютерным системам не под силу многие задачи, которые может решать не только человек, но и животное. Это связано с тем, что принципы работы биологического мозга и созданных человеком машин, выполняющих интеллектуальную работу, по-видимому, совершенно различны:

• как отмечалось ранее, одна из особенностей биологических систем [8,19] заключается в том, что они сами выделяют из среды значимые для себя сигналы, запоминают их и сами формируют адекватное поведение;

• у современных машин отсутствует аппарат эмоций, который есть у любого животного;

• различны принципы обработки информации и принятия решений. Мозг, как информационная машина, работает с однотипными нервными импульсами, посредством которых происходит отображение объектов и явлений окружающего мира в нервную ткань организма (см. Приложение). В то же время, ЭВМ работает на основе команд (инструкций) закладываемых человеком;

• основным назначением мозга является управление телом организма с эгоистической целью обеспечить выживание этого тела, а вместе с ним и самого мозга, так как мозг не существует отдельно от тела

На основе этих фактов, а также общих для всех нервных систем свойств: дискретности строения и принципа действия, высокой неопределенности начальных знаний, а также необходимости осуществления управления и обучения в одном процессе, в методе ААУ был предложен принцип действия и построения управляющей системы. Принципиально важным при этом было введение понятия "ощущения" и его реализации в системе в виде аппарата эмоций (см. также [41]), который является универсальным «источник активности» и «системообразующим фактором» в биологических организмах [85].

Для такого построения введены исходные условия, характерные для нервных систем:

1. "Условие автономности" под которым понимается только то, что управляющая система (УС) является подсистемой объекта управления (ОУ), и осуществляет управление на основе знаний, добываемых самостоятельно, взаимодействуя со свойм окружением посредством блока датчиков (БД) и исполняющего органа (ИО).

2. "Условие дискретности", структуры УС (конечное множество нейронов, связей, датчиков, исполнителей) и принципа ее функционирования (дискретность нервных импульсов, образов — как элементов информации, моментов времени).

3. "Условие максимальной начальной приспособленности" отражает наличие приспособленности ОУ и УС к усредненным условиям жизни ОУ в данной среде в результате действия механизмов типа естественного отбора

4. "Условие минимума исходных знаний" отражает наличие информационных пространств, которые должны быть заполнены знаниями, найденными УС в процессе функционирования в реальной системе. Это условие соответствует наличию неопределенности свойств системы, максимальной для УС в момент начала ее функционирования.

Целевыми функциями УС должны быть а) выживание ОУ и б) накопление знаний. Эти две целевые функции взаимосвязаны в том отношении, что достижение одной из них повышает вероятность достижения другой.

Из сказанного вынужденно следует представление о системе (рис.1), в которой можно видеть ОУ, погруженным в среду, УС погруженной в ОУ, а также все возможные маршруты распространения воздействий в системе, (помеченные буквами стрелки на рисунке). Пусть каждый из этих макрообъектов оказывает воздействия на систему через свой выход, каждый из макрообъектов пусть воспринимает воздействия системы через свой вход. Кроме того, в системе важно наличие источников случайных воздействий (белые кружки на рисунке -"истоки") и мест поглощения воздействий (черные кружки на рисунке - "стоки").

Рис. 4. Автономная управляющая система (УС) вложена в объект управления (ОУ) с заранее неизвестными свойствами. Стрелки показывают все возможные пути распространения воздействий и информации от «истоков» (белые кружки) до «стоков» (черные кружки). УС должна найти, запомнить и использовать способы управления в этой квазидетерминированной системе.

Очевидно, что для достижения своих целевых функций УС должна найти те из воздействий Л, которые образуют цикл "управляемого взаимодействия "к й / —> а И . , зафиксировать информационное отображение цикла УВ в своей памяти - базе знаний (БЗ), оценить полезность тех или иных элементов знаний и использовать эти знания для выживания, одновременно прилагая усилия для получения и накопления новых знаний. Здесь а это информационный процесс в УС, И - процесс преобразования информационных команд в физические воздействия, с1 это различные процессы в окружающей среде, / -процесс преобразования части входных воздействий в информационные входные сигналы для УС. Наличие в системе истоков и стоков вносит в управляемое взаимодействие многочисленные случайные компоненты и приводит к потерям информации. Накапливая знания, УС стремится к уменьшению неопределенности в своем отображении управляемого взаимодействия.

Подобное макроописание позволяет понять задачу, которую должна решать УС. В общем виде можно видеть следующую ее постановку. На заданное множество входных полюсов УС V], . V,, ., у„ (например, это п бинарных выходов БД) поступает входной поток информации. Пусть, например, это будет эквидистантная во времен^ последовательность двоичных векторов Уа@0, Ус(^.где t - текущий момент времени. Согласно рис. 4, семантически каждый вектор Ус(^ может содержать информацию, пришедшую ко входу УС по маршрутам Ъ и/или р. Здесь г это информация, поступившая с датчиков, Ъ - информация, отражающая действия, совершенные УС, р это незакономерные помехи от истоков в ОУ (информация от / и Ь также содержит случайные компоненты). Информация, поступающая по маршрутам г, Ь и р, может отображаться на определенные подмножества компонент вектора

Первая задача, которую должна решать УС, состоит в нахождении неслучайных регулярных пространственно-временных комбинаций компонент в потоке входных векторов

УаОг), Уь$2) ■>•.■> Усрь). У Ж). Произвольные примеры трех таких образов показаны на рис.2.

Если УС обнаруживает наличие такой регулярности, то УС должна: а) запомнить информацию о ней как самостоятельный объект - образ, б) уметь распознавать прообраз этого образа во входной информации (регулярность, которая привела к формированию образа) при его последующих появлениях, в) при накоплении достаточной статистической надежности - уметь распознавать образ протяженного во времени прообраза раньше, чем закончится его наблюдение на входных полюсах, а также распознавать при наличии помех, г) оценить соответствие этого образа целевой функции выживания ОУ.

Ш) - У/О

0101000011ООЩЙЩ10000101010000110110101001 V ] 101010010011100щ||р00110010100100111ЮООООЮ V,

Ю01ОИЬ10Ш10100ЮЦ шоп сИююпою! ою. 101|Ио|Шхюоооо^^Ш11ЯЩ1ИИ010101010 V, 0000000110(3011111111000ПШ^11110000010100100 . 1 о! 001 09060000011 оо^ЦНщ ооо V, прообразы сформированных образов Рис. 5. Временная последовательность входных бинарных векторов, которые наблюдает управляющая система. В ней необходимо найти, запомнить и распознавать повторяющиеся пространственно-временные конфигурации - «образы».

Для решения последней задачи в УС введена подсистема, которая эквивалентна аппарату эмоций в живом организме. Это многофункциональная подсистема, основная задача которой - соотносить отвлеченные информационные сигналы, например, сигналы о распознавании образов, отображающих текущие состояния ОУ, с объективной полезностью или опасностью их прообразов для выживания ОУ. Безусловно, такая оценка для важнейших состояний ОУ (температура среды, количество поглощенной пищи и т.п.) может быть найдена опытным путем в эволюционной предыстории предков ОУ, а для искусственных ОУ - выведена из априорной информации. Оценки для образов, которые связаны с конкретными условиями существования данного ОУ, могут быть найдены УС опытным путем посредством корреляционного анализа фактов распознавания этих образов и значений некоторой текущей интегральной оценки состояния ОУ, которую обозначим В свою очередь, текущее значение оценки & зависит от оценок всех распознанных в текущий момент образов, например, как среднее арифметическое от таких оценок. Здесь обратим внимание на две важных функции аппарата эмоций. Это закрепленное в УС стремление к получению все более высоких оценок что является причиной постоянной активности УС, направленной на достижение обеих указанных целевых функций. момент принятия распознанные решения оппяяы г текущий момент

Рис. 6. Если в текущий момент прогнозируется несколько альтернативных пространственно-временных образов, и управляющая система может выбрать один из вариантов, то появляется возможность для управления.

Пусть УС сформировала некоторый образ, запомнила его в памяти сформированных образов в виде объекта, который обозначим О*, и в некоторый момент t распознает его, что обозначим как О* =1 (если сформированный образ О* не распознан в момент и то полагаем С/к =0). Пусть, например, прообразом данного образа является некоторый пространственно -временной процесс длительностью Т тактов, но УС распознала образ уже через 7" тактов после его начала и Т'< Т. Если семантически прообраз данного образа в векторах Уа(\г**),

УьОь+О,---, Ус0ь+г).Уырь+т) представлял собой отображение информации, пришедшей на вход УС по маршруту / (см. рис.1), то это сравнительно простой случай, интересный в основном тем, что УС имеет прогноз, в частности, изменения оценки-своего состояния 5* к моменту, когда завершится наблюдение всего прообраза. Одновременно может быть ^распознано некоторое множество образов. Однако ситуация становится более интересной, если в прообразе распознанного образа имел место хотя бы один вектор У(0, отражающий информацию, пришедшую к УС по маршруту Ь, т.е. в прообраз входило некоторое действие, совершенное УС (например, это сигнал от рецепторов о том, что была сокращена такая-то мышца в результате соответствующей команды). Обозначим такое действие символом К/. Тогда прообраз можно разбить на три последовательных во времени составляющих: 0 информация о ситуации а, и) информация о действии /, ш) информация о ситуации Ь. Поскольку, по определению, прообраз сформированного образа — явление не случайное, то данную тройку можно интерпретировать как импликацию "условие действие —> следствие". Очевидно, что в данной ситуации могло быть распознано два или более образов (рис. 3), имеющих одинаковое условие (ситуацию а), разные действия (действие т) и, возможно, разные следствия (ситуацию с).

Итак, если в некоторый момент а) УС одновременно распознает несколько временных образов, при этом б) распознавание наступило раньше окончания наблюдения прообразов, в) в составе прообразов ожидаются альтернативные действия, ведущие к альтернативным последствиям, г) распознанные образы имеют свои оценки, то появляется возможность принятия решения на основании сравнения ожидаемых приращений интегральной оценки качества состояния & для альтернативных действий [87]. Если будущий результат действия, предвидимый УС в текущий момент, влечет распознавание образов, которые могут быть распознаны по результатам планируемого действия, т.е. причинно-следственная цепочка образов и действий продолжается на несколько шагов в будущее, а УС при этом обладает языковыми средствами для манипулирования с этими образами и действиями из своей базы знаний, то появляются основания говорить об интеллекте.

Поскольку происходит формирование новых образов, то возможна ситуация, когда альтернативные действия, приносящие ранее одинаковый конечный результат -распознавание одинаковых образов, начнут различаться в отношении новых сформированных образов, т.е. - более тонких последствий выбираемого действия. Учет этих различий делает действия УС со временем все более точными, а их последствия — все более предсказуемыми. Это одна из возможностей саморазвития УС.

Рассмотренная интеллектуальная управляющая система обладает следующими основными свойствами:

• Поведение УС мотивируется, определяется, направляется и оценивается аппаратом эмоций, целевая функция которого содержит в себе явно или не явно цели выживания и накопления знаний.

• УС обладает внутренней активностью, направленной на расширение знаний, повышающих вероятность выживания.

• УС обладает свойствами адаптивности и саморазвития. Именно, формируются и оцениваются новые образы, формируются и уточняются новые действия, увеличивается глубина прогнозирования последствий альтернативных вариантов действий и др.

• Знания УС сильно зависят от ее индивидуального опыта, в том числе от случайных событий, т.е. УС обладает своей индивидуальностью.

ОПИСАНИЕ УПРАВЛЯЮЩЕЙ СИСТЕМЫ

Среда I!

Среда V?

Среда $

ОУ к - 'Блок . . ^^^^ Щ. датчиков .

Исполияи-щнй орган

УС

Формирование, оценивание м : распознавание образов

Формирование базы знаний

Выбор действия

Оценивание состояния ОУ

Определение времени принятия решения

Рис. 7. Схема системы автономного адаптивного управления (ААУ).

Система ААУ (рис.4) включает в себя следующие блоки: блок формирования и распознавания образов (ФРО), базу знаний, блок оценки состояния - аппарат эмоций (АЭ) и блок выбора действия - аппарат принятия решений (АПР).

Управляющая система (УС) взаимодействует со средой с помощью блока датчиков и исполнительных органов.

В УС ААУ взаимосогласованно решаются несколько задач, соответствующих перечисленным блокам (обычно управляющие системы строятся на основе решения одной из таких задач, например - задачи распознавания). Перечислим эти задачи.

Задача автоматической классификации и структурирования бинарной информации, поступающей с входных датчиков, решается блоком формирования и распознавания образов ФРО [86,87]. Автоматически найденные в многомерном временном признаковом пространстве кластеры называются «образами» и запоминаются в «памяти образов». За счет этого, существенно сокращается объем входной информации, (например для мобильного робота, число возможных ситуаций порядка 100, объем же значимых, достаточных для управления состояний ~ 10). Этот блок отвечает также за распознавание уже известных системе образов в потоке информации, поступающей с блока датчиков. Тем самым, в блоке ФРО одновременно решаются две задачи: задача автоматической классификации (формирование образов) и задача распознавания.

Среди найденных образов выделяется специальный вид составных пространственно-временных образов, которые отражают неслучайные причинно-следственные цепочки следующего вида: «образ исходной ситуации» -> «образ совершенного действия» «образ следствия». В качестве образа следствия совершенного действия может выступать образ конечной ситуации или ее оценка. Такие специальные цепочки являются элементарными знаниями управляющей системы. Эмпирически найденные знания запоминаются в базе знаний - (БЗ).

В методе ААУ предложено рассматривать аппарат эмоций (блок АЭ) организма, как основной системообразующий фактор, который определяет строение и функционирование нервной системы и является одновременно: источником внутренней активности, целевой функцией управления, средством качественного оценивания общего текущего состояния и отдельных элементов знаний - образов и действий, внутренними часами системы, а также каналом передачи оценок качества информация при общении [88]. Основные функции аппарата эмоций в живом организме состоят в следующем: а) Аппарат эмоций является источником внутренней активности нервной системы. В живом организме должен иметь место некий источник «энергии» внутренней активности. Это должна быть универсальная «движущая сила», заставляющая активно действовать любой организм, независимо от его сложности, возраста и интеллекта. Жестко «зашьем» в управляющую систему целевую функцию максимизировать эмоциональную оценку текущего состояния системы Средством достижения этой цели должно быть только инициирование актуаторов, которыми располагает организм. Эти актуаторы должны воздействовать не непосредственно на аппарат эмоций но на окружающую среду, обеспечивая возможные способы взаимодействия данного организма со средой. И только вызвав в среде появление таких объектов, воздействующих на сенсоры системы, которые будут распознаны этой же системой как образы, вместе с их атрибутами - определенными эмоциональными оценками, нервная система сможет повлиять на эмоциональную оценку текущего состояния. Тем,, самым, природа заставила организм, стремящийся лишь к получению приятных ощущений и к избежанию неприятных, взаимодействовать со средой, что приводит к накоплению новых знаний о свойствах системы «среда-организм» и повышает шансы организма на выживание. Если отключить аппарат эмоций, то организм перестанет что-либо делать, поскольку у него полностью пропадет мотивация к активности, и он погибнет в полном безразличии.

Задача установления правильного отношения эмоциональных оценок образов и объективной полезности для организма соответствующих им реальных явлений решается в природе естественным отбором. Успешнее выживают организмы, у которых образы получают более адекватные оценки, а при неправильных оценках, организм стремится к вредным воздействиям и погибает.

Описанный механизм побуждения к активности через аппарат эмоций является универсальным и в целом не зависит от конкретного содержания образов. Однако описанное нами стремление к получению положительных эмоциональных оценок и к избежанию отрицательных оценок является более общим.

Ь) Аппарат эмоций обеспечивает выработку эмоциональных оценок образов. Пусть сформирован некоторый новый образ 0}. Эмоциональную оценку Pzj для этого образа нервная система может формировать в процессе одновременного наблюдения за эмоциональной оценкой текущего состояния системы S(f) в моменты, когда данный образ Oj(t)=\ распознан или в некоторых окрестностях этих моментов времени. Если каждый раз при распознавании данного образа оценка S(t) падает, это является основанием для приписывания этому образу низкой оценки, и, соответственно, наоборот. Конкретно, оценка Pzj образа Oj может быть равна среднему арифметическому от оценок S(t) в моменты, когда данный образ распознан, т.е. когда Ö/t)=l. Практически, сразу после формирования образа его оценка нейтральна, но с накоплением статистики она может измениться.

Оценка каждого вновь сформированного образа в свою очередь начинает участвовать в выработке эмоциональной оценки текущего состояния системы S(t), поэтому наше состояние начинает определяться и вкладом новых сформированных нами образов. Этот итерационный процесс формирования оценок образов начинается с оценок образов, изначально сформированных в организме, т.е. Переданных ему по наследству от предков данного вида, и приспособленных к усредненным условиям существования организмов ^данного вида. Поскольку идея определения оценок качества образов также основана на корреляционном анализе сигналов от распознанных образов и сигналов оценки ¿> текущего состояния ОУ, то эту задачу также можно решать с помощью сети из указанных нейронов с) Аппарат эмоций играет большую роль в принятии управляющих решений. Алгоритм принятия решений, основанный на эмоциональных оценках, описан в [44]. Его идея состоит в следующем. В каждый текущий момент подсистема распознавания образов сообщает нервной системе, какие образы распознаны ею в текущий момент. Тем самым в базе знаний управляющей системы отделяются те ее области, которые адекватны данной ситуации, т.е. выделяется множество действий, которые вообще можно совершить в данной ситуации, согласно знаниям, накопленным нервной системой. В этих отделенных областях базы знаний нервной системой отыскиваются действия, которые обещают привести систему «среда-организм» в состояния, имеющие максимальные из возможных в данной ситуации эмоциональные оценки, либо в состояния, когда прекратят распознаваться образы с максимально плохими оценками. Найдя такое действие, нервная система дает команду исполнителям совершить его. Этот способ принятия решений одновременно активен и реактивен. Например, при отсутствии всякого внешнего стимула животное может встать и отправиться на поиски чего-то приятного, воспоминание о чем хранится у него в памяти, а в текущей ситуации он не видит для этого препятствий. Если же на животное подействовал некий раздражающий фактор, оно начнет совершать действия, направленные на его прекращение

При управлении используется множество уже накопленных знаний. А именно, при принятии решений, в той части БЗ, на которую указывает распознанный в текущий момент образ, отыскивается такое действие, которое, согласно имеющимся знаниям переведет объект управления в состояние с максимальной «эмоциональной» оценкой. Эта задача решается блоком «Принятия решений» (АПР).

Заметим, что в естественных системах аппарат ФРО строится на основе нейронов. Поэтому очевидно, что собственно нейрон и должен решать задачу обнаружения регулярностей в потоке тех относительно немногочисленных входных сигналов, которые поступают на него, формируя элементарные образы [42,43]. А нейроны, лежащие в более глубоких слоях, осуществляют поиск «образов над образами», т.е., более сложных закономерностей. Получаем обычную многоуровневую иерархическую структуру, составленную из однотипных элементов. Из этих же элементов-нейронов должна строиться база знаний, при этом нейроны должны отыскивать пространственно-временные корреляции между событиями, происходящими в разные моменты времени.

В заключение отметим, что математически строгое обоснование метода автономного адаптивного управления приведено в [40].

§4. Цели и задачи диссертационной работы

Традиционно систему управления для автоматических устройств конструировались на основе математических моделей объектов управления. Однако, во многих практических случаях невозможно выполнить строгое описание объекта управления и среды, в которой он функционирует, и обеспечить высокое качество управления. Обеспечение адаптивности в таких системах требует обычно предварительного знания параметров математической модели, которые могут изменяться, и организацию автоматической коррекции этих параметров. В то же время известно, что системы управления живыми организмами в природе обеспечивают высокую обучаемость и приспосабливаемость к изменяющимся условиям. Поэтому, построение и исследование моделей поведения сложных систем и управления ими на основе имитации механизмов, заложенных природой в живых организмах, является одной из важных задач. К работам в этой области относится метод автономного адаптивного управления (ААУ), развиваемый в отделе имитационных систем Института Системного Программирования РАН [40-^-42,86^-88].

Как показывает опыт практического применения [44,45,46], методология ААУ позволяет успешно создавать адаптивные системы управления для приложений, в которых создание математических моделей объекта управления затруднено или невозможно.

В настоящее время проблемы, связанные с нейросетевым вариантом реализации систем ААУ, являются актуальными для дальнейшего развития метода. В частности, при проектировании прикладных систем ААУ на основе нейронных сетей возникают задачи подбора параметров нейроноподобных элементов, проектирования топологий их сетей и задача синтеза полученных конструкций.

Одной из основных проблем, связанных с методологией ААУ, является отсутствие принципов автоматического построения основных нейросетевых блоков систем управления. Поэтому, настоящая диссертационная работа посвящена решению этой актуальной задачи.

Цель работы

Целью диссертационной работы является разработка методов синтеза основных блоков и систем ААУ на основе нейросетевых и бионических принципов. Для достижения поставленной цели необходимо было решить следующие задачи: разработать систему ААУ в целом и ее отдельные функциональные подсистемы на основе нейроноподобных элементов и реализовать систему управления на практическом примере, в качестве которого была выбрана программная модель автономного мобильного робота; разработать и исследовать алгоритмы и методы автоматического синтеза отдельных нейросетевых блоков системы управления; показать эффективность предложенных подходов и алгоритмов; реализовать систему управления на примере автономного мобильного робота; выяснить области применимости предложенных методов синтеза отдельных блоков и найта альтернативные решения.

Методы исследований

Для решения поставленных задач в работе использованы методы вычислительной математики, теории вероятностей и математической статистики, а также методы прикладного программирования.

Результаты, Научная новизна

Научная новизна диссертационной работы состоит в том, что для нового вида систем, каковыми являются системы автономного адаптивного управления:

1. впервые предложены и применены конструктивные бионические принципы нейроноподобной реализации систем:

• разработаны принципы построения основных подсистем управляющей системы на «элементной базе» нейроноподобных элементов (моделей нейронов и синапсов) с учетом эффектов цифровых схем и предъявляемых к ним требований;

• на примере программной модели автономного мобильного робота впервые реализована самообучающаяся система управления, построенная на базе нейроноподобных элементов на основе методологии ААУ;

• предложен способ описания подсистемы формирования и распознавания образов системы ААУ и на его основе разработана новая процедура динамического синтеза сети подсистемы формирования и распознавания образов;

• на примере мобильного робота показана высокая эффективность процедуры формирования сети, когда в реальном масштабе времени происходит синтез системы управления и ее обучение;

2. впервые предложены и применены принципы реализации подсистем ААУ, основанные на древовидных структурах:

• разработан теоретически и исследован экспериментально принцип организации памяти на деревьях с применением стекового алгоритма быстрого поиска;

• применен принцип синтеза подсистемы формирования и распознавания образов, основанный на алгоритмах быстрого поиска по деревьям. На примере мобильного робота показана его работоспособность;

• принцип организации памяти на древовидных структурах применен к задаче ориентирования на местности для управления автономным объектом;

3. впервые предложен и применен принцип реализации подсистем ААУ, основанный на параметрической нейросети:

• впервые разработан теоретически и исследован экспериментально новый подход к построению памяти, основанный на обработке частотно модулированных сигналов;

• предложен новый подход к построению ассоциативной базы знаний, основанный на параметрической нейросети.

Практическая ценность

Практическая ценность результатов работы состоит в том, что разработанная методика может существенно облегчить процесс создания прикладных систем на основе метода ААУ.

Апробация работы и публикации

По материалам диссертации опубликовано 17 работ, из них 4 - в российских и зарубежных журналах, 13 — в трудах конференций.

Основные положения работы докладывались на следующих конференциях:

Международной конференции "Интеллектуальные и многопроцессорные системы", Геледжик,2001;

XXV IV Всероссийской научно-технической конференции НЕЙРОИНФОРМАТИКА-2002, Москва ,2002.

VIII Всероссийской научно-технической конференции "Нейрокомпьютеры и их применение" НКП-2002, Москва.

Международной конференции "Интеллектуальные и многопроцессорные системы" IMS'2002,Украина, КацивелиД002.

V Всероссийской научно-технической конференции "НЕЙРОИНФОРМАТИКА-2003", Москва ,2003. П международной конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте», КоломнаДООЗ. VI Всероссийской научно-технической конференции "НЕЙРОИНФОРМАТИКА-2004", Москва ,2004.

Основные положения работы публиковались в журналах и трудах конференций:

1. B.V.Kryzhanovsky, M.V.Kryzhanovsky and A.Fonarev. "Adaptation Hopfield Associative memory parametrs in statistic training". Optical Memory&Neural Network, Vol. 10, №2, pp.91-98 (2001).

2. А.А.Жданов, М.В.Крыжановский, Н.Б.Преображенский. "О ВОЗМОЖНОСТИ СОЗДАНИЯ СИСТЕМ АВТОНОМНОГО ИИ" Труды международной конференции "Интеллектуальные и многопроцессорные системы" IMS'2001, том. 1, стр. 245-248, Геледжик-2001.

3. B.V.Kryzhanovsky, M.V.Kryzhanovsky, A.L.Mikaelian and A.Fonarev. 'Tarametric dynamic neural network recognition power". Optical Memory&Neural Network, Vol. 10, №4, pp.211-219 (2001).

4. Б.В.Крыжановский, М.В.Крыжановский. Распознавание в параметрической нейросети. Труды IV Всероссийской научно-технической конференции НЕЙРОИНФОРМАТИКА-2002, т.2, с.52-60, Москва (МИФИ).

5. Б.В.Крыжановский, М.В.Крыжановский, АЛ.Микаэлян. "Динамическая нейросеть на параметрических осцилляторах с кубической нелинейностью". Труды VIE Всероссийской научно-технической конференции "Нейрокомпьютеры и их применение" НКП-2002. с.985-994. Москва, 21-22 марта 2002.

6. А.А.Жданов, М.В.Крыжановский, Н.Б.Преображенский. "Бионическая интеллектуальйая адаптивная система управления мобильным роботом". " Труды международной конференции "Интеллектуальные и многопроцессорные системы" IMS'2002. т.2, с.115-118,1Сацивели (2002).

7. А.АЛСданов, М.В.Крыжановский, Н.Б.Преображенский. "Бионическая интеллектуальная • адаптивная система управления мобильным роботом". Искуственный интеллект, т.4, №6, с.341-350,2002.

8. Жданов A.A., Крыжановский М.В. "Нейронная адаптивная система управления". Сборник трудов V Всероссийской научно-технической конференции "НЕЙРОИНФОРМАТИКА-2003", т.1, с.163-168.

9. Жданов A.A., Крыжановский М.В., Магомедов Б.М. "Система управления мобильным роботом на основе биологических принципов". Сборник трудов И-й международной конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте», с. 197-202, Коломна-2003.

10. Крыжановский М.В., Магомедов Б.М. Организация нейросетевой базы знаний в интеллектуальных управляющих системах. Сборник трудов VI Всероссийской научно-технической конференции "НЕЙРОИНФОРМАТИКА-2004", т.1, с.163-168.

П.Жданов A.A., Крыжановский М.В., Преображенский Н.Б. "Бионическая интеллектуальная автономная адаптивная система управления мобильного робота". Мехатроника, №.1,2004, с.21-30.

12. Жданов A.A., Крыжановский М.В., Преображенский Н.Б. "Бионическая интеллектуальная автономная адаптивная система управления мобильного робота". Мехатроника, №2,2004, с. 17-22.

13. Крыжановский М.В., Магомедов Б.М. Свойства подсистемы формирования и распознавания образов мобильного робота на базе бинарного бесконфликтного дерева. Международная конференция «Интеллектуальные системы» ШЕЕ AIS'04. Геленджик-2004.

14. Крыжановский М.В., Магомедов Б.М. Оценка подсистемы формирования и распознавания образов мобильного робота на базе бинарного бесконфликтного дерева.9-я национальная конференция по искусственному интеллекту КИИ-2004 (с международным участием). Тверь-2004, тЗ.

15. М.В.Крыжановский, Б.М.Магомедов. "Модифицированный стековый алгоритм как модель подсистемы формирования и распознавания образов мобильного робота". "Труды международной конференции "Интеллектуальные и многопроцессорные системы" IMS'2004. т.2, с. 110-113, Кацивели (2004).

16. М.В.Крыжановский, Б.М.Магомедов. "Модифицированный стековый алгоритм как модель подсистемы формирования и распознавания образов мобильного робота". Искусственный интеллект, т.З, с.320-328,2004.

Структура и объем диссертации

Работа состоит из введения, пяти глав, заключения, приложения и списка литературы. Общий объем диссертации составляет 129 страниц. Список литературы содержит свыше 90 наименований.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Крыжановский, Михаил Владимирович

Заключение

Основной результат диссертационной работы состоит в том, что для нового вида систем, каковыми являются системы автономного адаптивного управления:

1. впервые предложены и применены конструктивные бионические принципы нейроноподобной реализации систем:

• разработаны принципы построения основных подсистем управляющей системы на «элементной базе» нейроноподобных элементов (моделей нейронов и синапсов) с учетом эффектов цифровых схем и предъявляемых к ним требований;

• для мобильного автономного робота впервые реализована самообучающаяся система управления, построенная на базе нейроноподобных элементов на основе методологии ААУ;

• предложен способ описания подсистемы формирования и распознавания образов системы ААУ и на его. основе разработана новая процедура динамического синтеза сети подсистемы формирования и распознавания образов;