Решение на такава задача от мозъка може да бъде обработката на информация от обикновеното зрение (human vision). Във функциите на зрителната

35
центъра на вниманието на невронната мрежа се намират модели на успоредна разпределена обработка (parallel distributed processing, PDP). В тези модели се предполага, че обработката на информацията протича за сметка на взаимодействието на голямо количество неврони, всеки от които предава сигнали на възбуждане и възприемане на други невронни мрежи. Освен това в теорята за невронните мрежи се отделя голямо внимание на невробиологичното описание на процеса на познание.

Стил на обработка (processing style). В класическите системи за изкуствен интелект обработката протича последователно (sequential), както е в традиционното програмиране. Ако нивото на изпълнение на действия не е строго определено (например, при сканиране на правила и факти в експерименталните системи), операциите така или иначе се изпълняват стъпка по стъпка. Такава последователност на обаработка се обяснява с последователната природа на естествените езици и логическите заключения.
Такава е структурата на машината на фон Нойман.
За разлика от тях, концепцията за обработка на информацията в невронните мрежи протича на принципа на паралелизма (parallelism), който се явява източник на тяхната повърхност. Благодарение на него, успоредността може да бъде масова
(стотици хиляди неврони), което придава на невронните мрежи особена форма на работоспособност. За изчислителните разпределения между множеството неврони практически не е важно, че състоянието на невронната мрежа се отличава от очакваното. Зашумен или непълен входен сигнал може да се разпознае еднакво; повредената мрежа може да изпълнява своите функции на удовлетворително ниво, аобучението не трябва да бъде съвършено. Производителността на мрежите в пределите на някакъв диапазон се снижава достатъчно бавно. Това може допълнително да повиши работоспособността на мрежите, представени като собствена група от неврони.

Структурно представяне (representational structure). В системи с изкуствен интелект в качеството на модели се използва езика на мислене, затова символното представяне има квази-лингвистична структура. Подобно на фразите на обикновения език, изразите на системите с изкуствен интелект по правило са сложни и се съставят по пътя на систематизация на прости символи.
Отчитайки огромното количество на символите, новите смислови изречения се строят на основата на композиции на символични изрази и аналогии между синтактичните структури и семантики.
От друга страна в невронните мрежи природата и структурата на представяне се явяват ключови проблеми. Невронните мрежи не удовлетворяват два основни критерия на процеса на познание: природа на мисловно представяне (mental representation) и
мисловни процеси (mental process). В съответствие с това, следващите свойства са присъщи за системите с изкуствен интелект, но не са присъщи на невронните мрежи. a) Мисловното представяне се характеризира с комбинирана избирателна структура и комбинирана семантика; b) Мисловните процеси се характеризират с чувството към комбинирано структурно представяне, с което те работят.

36
Такива образи от символни модели на изкуствения интелект са формални системи, основани на използването на езика на алгоритмите и представянето на знания по принципа „отгоре надолу” (top-down), а в невронните мрежи – това успоредно разпределение на процесори, има естествената способност към обучение и работи на принципа „отдолу нагоре” (bottom-up). При решаването на когнитивни задачи е целесъобразно създаването на структурни модели на основата на връзки (structured connectionist models) или хибридни системи (hybrid system), обединяващи двата подхода. Това ще обезпечи свойствата на адаптивност, работоспособност и единообразие присъщи на невронната мрежа, с представянията, умозаключенията и универсалността на системите с изкуствен интелект. За реализацията на този подход са разработни методи методи на изваждане на правила от обучени на невронни мрежи.
Тези резултати не само използват интегрирането на невронни мрежи с интилигентни машини, но и обезпечават решението на следните задачи: a) Верификация на невронно-мрежовите коефициенти в програмните системи. За това вътрешното състояние на невронните мрежи се превежда във форма позната на потребителите. b) Подобрявайки обобщаващата способност на невронните мрежи за сметка на откривнето на областите на входното пространство, недостатъчно пълно представени в обучаващото множество, а също определяне на условия, при които обобщението е невъзможно. c) Откриване на структурната зависимост на множеството входни данни. d) Интеграция на символния и коннекциониския подход при разработването на интелектуални машини. e) Обезпечаване на безопасност на системата, за която тя се явява критична.

37

Изтегляне 1.78 Mb.

Сподели с приятели: