Экспертные системы основаны на определенных правилах. Эксперт – это человек, владеющий большими знаниями в некой области. Знания делятся на факты и правила. Правила определяют структуру, которая позволяет делать выводы на базе фактов. Структура содержится в машине логического вывода и может состоять из набора обычных операторов типа: если – тогда. Путь принимаемых решений именуется цепочкой вывода. Различают цепочки прямого и оборотного вывода. Ранешние приложения систем с искусственным умом были предназначены для того, чтоб создавать базу познаний, с которой мог бы работать не спец. Для таких систем были разработаны особые языки программирования.

Искусственные нейросети не употребляют логику вообщем. Для их работы не требуется ввод опыта и умения профессионала. Они подражают процессу обучения мозга человека. К примеру, для нахождения зависимости меж входными и выходными данными. Но их «разумность» не задается разработчиком. Основным элементом таких систем является математическая модель био нейрона. Этим искусственные нейроны группируются в определенные структуры, которые подвергаются обучению с внедрением набора данных.

Принципы нейросетевых технологий, применяемые при сложных измерениях, являются примерами бионического подхода к построению измерительных систем. Основная мысль этого подхода заключается в использовании огромного количества датчиков различного типа и обработке приобретенных данных способами, подобными тем, которые используются мозгом живых созданий при идентификации тех либо других параметров объектов. Хотя на данный момент механизмы работы мозга еще до конца не раскрыты, уже появились некие идеи, которые могут быть использованы для практической реализации «интеллектуальных» измерительных систем. Процесс обработки и анализа сигналов, поступающих от различных датчиков, всегда основан на процедуре определения образов.

К примеру, механизм работы датчиков чутья (электрический нос), состоящих из огромного количества современных сенсоров, основан на «интеллектуальных» стратегиях определения образов и способах хемометрии. При построении первых датчиков чутья разработчики старались воспроизвести органы эмоций человека. Такие датчики состояли из сенсоров различного типа. Принцип определения аромата заключался в детектировании отдельных хим соединений и идентификации аромата по приобретенным результатам.

Все датчики чутья можно поделить на четыре группы:

• инструментальные анализаторы;
• полупроводниковые газовые датчики;
• потенциальные датчики мембранного типа;
• микровесы на базе кварцевых резонаторов.

Рис. 12.11 Датчик чутья на базе массчувствительного пьезорезонансного преобразователя (А) и его выходная черта (Б).

Рис. 12. 12 Выходной сигнал датчика чутья на базе 9 металл – оксидных сенсоров.

Действенный метод обработки сложных сигналов составных датчиков чутья заключается в построении нейронной сети, связывающей отдельные пары датчиков, имитирующих работу био систем. Методы построения нейронных сетей могут дублироваться хемометрическими способами определения образов.

Способы построения нейронных сетей основаны на параллельном выполнении обычных математических операций, что позволяет использовать дешевые микроконтроллеры.

Рис. 12.13 Обобщенная модель нейрона.

Модель нейронных сетей базирована на архитектуре людского мозга. В искусственной нейронной сети каждый био нейрон заменяется на печатную плату, состоящую из логических ключей и транзисторов, в то время как в компьютерной нейронной сети роль нейрона делает последовательность нескольких программных команд.

Нейронные сети используются для проведения классификации данных, для получения аппроксимационных зависимостей и для прогнозирования значения. Есть несколько вариантов нейронных моделей, любая из которых имеет свою архитектуру. В неких архитектурах нейронных сетей требуется подключение каскадов задержки для воплощения функции самоорганизации.

К примеру, принцип определения запахов может быть реализован также и с внедрением хаотической нейронной сети с управляемым аттрактором. По результатам долголетних исследовательских работ такая модель обонятельной системы была предложена У. Фриманом и его сотрудниками. Они сделали вывод, что только исследования нейронов и структуры их связей недостаточно для того, чтоб осознать механизмы, ответственные за определение запахов.

Приобретенные модели оказались довольно сложным, а их динамика хаотической. Любая ячейка памяти таковой системы описывалась восемью дифференциальными уравнениями второго порядка, надлежащими определенным группам нейронов в границах каждой ячейки.

Такая сеть работает последующим образом. В отсутствие наружных сигналов наблюдаются хаотические колебания на аттракторе системы. Когда предъявляется некий входной образ, система стабилизируется в определенных областях аттрактора. При всем этом динамика остается хаотической, но исключительно в границах наименьшей области. Недочетом таковой модели будет то, что в ней не реализуется принцип обучения.

В неких случаях требуется обрабатывать и рассматривать информацию, поступающую от нескольких датчиков, но при всем этом оператор не успевает оценить информацию с требуемой скоростью либо показания одних должны быть взаимоувязаны с другими и т.п. Задачки такового рода стимулировали развитие систем с искусственным умом на базе устройств с нечеткой логикой, искусственных нейронных сетей.

Познание главных закономерностей образования структур в активных средах, также в сетях, состоящих из огромного числа активных частей, позволяет перейти к целенаправленному созданию распределенных динамических систем, которые сформировывают те либо другие пространственные структуры. Одним из главных приложений при всем этом являются задачки аналоговой обработки инфы.

Внедрение в качестве простой единицы обработки инфы не отдельных сигналов, а протяженных пространственных структур дает возможность резко повысить эффективность устройства обработки инфы, может послужить решению трудности сотворения искусственного ума, потому что имеются свидетельства того, что аналоговые механизмы лежат в базе работы людского мозга.

Понятно, что человечий мозг – это огромная сеть из 10-ов млрд нервных клеток – нейронов, связанных меж собой отростками (дендритами, аксонами). Число связей 1-го нейрона может достигать 10-ов тыщ. Благодаря работам нейрофизиологов довольно отлично исследован механизм деяния отдельного нейрона.

Нервная клеточка способна находиться в одном из 3-х дискретных состояний – покое, возбуждении и рефрактности (состоянии невозбудимости). Переходы меж состояниями управляются как процессами снутри самой клеточки, так и электронными сигналами, поступающими к ней по отросткам от других нейронов.

Переход от состояния покоя к возбуждению происходит пороговым образом при практически одновременном поступлении довольно огромного числа импульсных сигналов возбуждения. Оказавшись в возбужденном состоянии, нейрон находится в нем в течение определенного времени, потом без помощи других перебегает в состояние рефрактности. Это состояние характеризуется очень высочайшим порогом возбуждения: нейрон фактически не способен реагировать на приходящие к нему сигналы возбуждения. Через некое время способность к возбуждению восстанавливается, и нейрон ворачивается в состояние покоя.