2Егорыч
>я сразу увидел, что эта штука лучше Мембраны
А не факт, у нас тут итересный эффект: все всё время читают все. А ежели на корню разбивать на ветки то в каждой ветке из-за недостатка суб участников дискуссия может схлопнуться. Я нашел пару мест где даются базовые скрипты но ты в принципе можешь накатать все че душе угодно. Интересно над дизайном подумать. Но тут скорее с Иваном нужно потереть. Вообще мне его идея создания паутины разнородных рессурсов нравится. И тебе должна как заядлому паутиноведу. Ведь мы тут на форуме тоже типа нейронов в сети. Но каждый легкообучаем, и с коротким временем реакции.
--------------------------------------------------------------------------------
DrDrew ==> История РАИИ <Российская ассоциация искусственного интеллекта (РАИИ) - всероссийская творческая профессиональная организация - создана на основе Советской ассоциации искусственного интеллекта> 27 января, 09:11
и зарегистрирована Минюстом РФ 19.10.92 N 1304. Ассоциация объединяет в своих рядах практически всех ученых России и многих ученых из стран СНГ, областью профессиональной деятельности которых является искусственный интеллект.
Основными целями Российской ассоциации искусственного интеллекта являются:
объединение на добровольной основе специалистов в области искусственного интеллекта, его приложений и смежных дисциплин и создание благоприятных условий для их профессиональной деятельности;
содействие в реализации наиболее перспективных работ в области искусственного интеллекта;
защита законных прав и интересов членов Ассоциации;
развитие международного сотрудничества в области искусственного интеллекта и его приложений.
К настоящему времени в ассоциацию входит 236 человек, из них 48 докторов и 69 кандидатов наук из 45 регионов России. Ассоциация провела шесть школ по проблемам искусственного интеллекта, участвовала в организации 14 симпозиумов, в том числе провела два международных симпозиума "Восток-Запад " (Москва 1993г., 1995г.), три международных симпозиума по технологии программирования (Переславль-Залесский 1994г., Болгария 1996г.), два международных семинара по прикладной семиотике (Будапешт 1996г., Смоленице 1997г.). Ассоциация участвовала в организации и проведении четырех международных конференций, в частности, Европейских конференций по искусственному интеллекту (Вена 1994г., Будапешт 1996г., Берлин 2000г.).
В России Ассоциацией проведено восемь национальных конференций по искусственному интеллекту (Пеpеславль-Залесский 1988г., Минск 1990г., Тверь 1992г., Рыбинск 1994г., Казань 1996г., Пущино 1998г., Пеpеславль-Залесский 2000г., Коломна 2002г.).
Ежегодно в рамках ассоциации в различных регионах России проводят свою работу до десятка постоянно действующих семинаров. Так с 1996 года и до настоящего времени работают семинары "Экспертные системы реального времени ", "Системы, основанные на знаниях ", "Интеллектуальное управление ", "Проблемы искусственного интеллекта ", "Программно-аппаратные средства поддержки ИИ " и другие.
Ассоциация издает журнал "Новости искусственного интеллекта ". К настоящему времени вышло 25 номеров журнала и 4 спецвыпуска. Кроме того, ассоциация участвует в издании журнала "Диалоговые системы ", а также в выпуске отдельных номеров журналов "Программные продукты и системы " и "Известия РАН. Теория и системы управления ".
Российская ассоциация искусственного интеллекта участвует в работах, финансируемых Министерством науки и технологий РФ, Министерством общего и профессионального образования РФ и в pаботах, проводимых РАН. Ассоциация ведет активную международную деятельность. Каждый член Российской ассоциации искусственного интеллекта является индивидуальным членом Европейского координационного комитета по искусственному интеллекту (ECCAI) и пользуется всеми преимуществами членства ECСAI, среди которых скидки при регистрации на мероприятия, проводимые ECСAI, право подавать заявку на гранты ECCAI для участия в мероприятиях (ECCAI travel awards), право электронного доступа к журналу "AI Communications " и др.
--------------------------------------------------------------------------------
smollett
2DrDrew
Ну вопервых я не спец в ИИ вовторых не россейский, так что пофигу мороз.
А вот доступ бы электронный получить.
--------------------------------------------------------------------------------
Egg (=Aleph)
2DrDrew:
я уже высказывался... наука - мертва... если ИИ будет, то сначала коммерческий, а затем уже придут духтура и всё объяснят...
Нариньяни - великий ученый, сотрудники у него тоже хорошие парни, а вот "организация " процессов исследований - мертвый...
--------------------------------------------------------------------------------
DrDrew 2 Egg 27 января, 09:27
нариньяни - козел, я не об этом...
--------------------------------------------------------------------------------
DrDrew <Курчатовская научная конференция в МИФИ> 27 января, 09:29
Секция И-2. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ
Руководитель секции – РЫБИНА Г.В., доцент кафедры №22
Секретарь секции – СТРИГУНОВА С.В., кафедра №22
Тел. 324-28-85 Факс 324-28-85 E-mail: galina@ailab.mephi.ru
= = = = = = = = = = = = = = = = = = = = =
При поддержке Российской Ассоциации Искусственного Интеллекта
Заседание № 1
Среда, 29 января Начало в 10.00
Аудитория Б-304
Председатель – профессор ПОПОВ Э.В.
1. ПОПОВ Э.В.
Российский научно-исследовательский институт информационных технологий
и систем автоматизированного проектирования, Москва
Общение с базами данных на ограниченном естественном языке:
прошлое, настоящее, будущее
2. ЕМЕЛЬЯНОВ В.В.
Московский государственный технический университет им. Н.Э. Баумана
Гибридные системы в управлении
3. ЕРЕМЕЕВ А.П.
Московский энергетический институт (технический университет)
Об интеграции моделей представления и оперирования знаниями в интеллектуальных
системах поддержки принятия решений
4. ФЕДУНОВ Б.Е.
Государственный научно-исследовательский институт авиационных систем, Москва
Интеллектуальные системы летательных аппаратов
5. СТЕФАНЮК В.Л.
Институт проблем передачи информации РАН, Москва
Мобильная связь для всех
6. РЫБИНА Г.В.
Московский инженерно-физический институт (государственный университет)
Веб-ориентированные экспертные системы
7. ЕВГЕНЕВ Г.Б., КОБЕЛЕВ А.С.1, КОКОРЕВ А.А., СТИСЕС А.Г.
Московский государственный технический университет им. Н.Э. Баумана
1Научно-исследовательский и проектно-технологический институт электромашиностроения, Владимир
Многоагентные системы проектирования
8. ТЕЛЬНОВ Ю.Ф.
Московский государственный университет экономики, статистики
и информатики
Решение интеллектуальных задач с использованием системы управления знаниями
Заседание № 2
Среда, 29 января Начало в 14.00
Аудитория Б-304
Председатель – доцент РЫБИНА Г.В.
9. КАЛЯНОВ Г.Н.
Институт проблем управления РАН, Москва
Стандарты в области бизнес-моделирования
10. ТАРАСОВ В.Б.
Московский государственный технический университет им. Н.Э. Баумана
Операции отрицания на полярных шкалах
11. ФОМИНЫХ И.Б.
Российский научно-исследовательский институт информационных технологий
и систем автоматизированного проектирования, Москва
Моделирование рассуждений в динамической экспертной системе
при управлении непрерывными процессами
12. ТРЕМБАЧ В.М.
Московский авиационный институт (государственный технический университет)
Структура информационной системы для решения интеллектуальных задач
13. БРИТКОВ В.Б., ГЕЛОВАНИ В.А.
Институт системного анализа РАН, Москва
Интеллектуальные технологии в задачах принятия решений в области природных явлений
14. АВЕРКИН А.Н., ТЕЛЕГИН М.А.
Вычислительный центр РАН, Москва
Построение дискретных триангулярных норм в интеллектуальных системах
15. БАКЛАНОВ В.М., ИВАНОВ И.В., ШЕРМАКОВ С.А.
Федеральное государственное унитарное предприятие Российский научно-исследовательский
институт управления на железнодорожном транспорте (ВНИИУП МПС России), Москва
Сетевая имитационная модель транспортного коридора
Стендовые доклады
16. РЫБИНА Г.В., КУРДЮКОВ А.Н., СИКАН К.В.
Московский инженерно-физический институт (государственный университет)
Проект создания веб-ориентированной версии инструментального комплекса АТ-ТЕХНОЛОГИЯ
для поддержки разработки интегрированных экспертных систем
17. ВИНЬКОВ М.М.
Российский научно-исследовательский институт информационных технологий
и систем автоматизированного проектирования, Москва
Применение системы концептуальной кластеризации для решения задачи иерархической
классификации объектов динамических предметных областей на стадии объектно-ориентированного анализа
18. ЕМЕЛЬЯНОВ В.В., ШЕПИТЬКО Ю.О. 1
Московский государственный технический университет им. Н.Э. Баумана
1Таганрогский государственный радиотехнический университет, Ростовская область
Имитационное моделирование при тестировании знаний
19. ТРЕМБАЧ В.М., СОЛОНЕНКОВ Д.А.
Московский авиационный институт (государственный технический университет)
Решение интеллектуальных задач с использованием сетевых ресурсов
20. КОМАРЦОВА Л.Г.
Калужский филиал МГТУ им. Н.Э. Баумана
Синергетический подход к построению гибридных интеллектуальных систем
21. РЫБИНА Г.В., БЕРЗИН В.Ю., МИТУСОВ А.Ю.
Московский инженерно-физический институт (государственный университет)
Об одном подходе к имитационному моделированию интеллектуальных агентов
22. КОЛЕСНИКОВ А.В., ЧЕМЕРИС Н.А.
Калининградский государственный технический университет
Комбинирование интеллектуальных подсистем в конвейерно-курьерную систему
23. ТЕЛЬНОВ Ю.Ф., ЛАПА А.В., КАЗАКОВ В.А.
Московский государственный университет экономики, статистики и информатики
Разработка системы конфигурирования бизнес-процессов на основе СУЗ
24. ТАРАСОВ В.Б., ЧУЛАПОВ А.А.1
Московский государственный технический университет им. Н.Э. Баумана
1Российский государственный технологический университет им. К.Э. Циолковского
Проблемы синтеза и структуризации знаний на сетевых предприятиях
25. ATANASOVA Т.
Institute of Information Technologies -Bulgarian Academy of Sciences, Sofia, Bulgaria
Case-based information retrieval, filtering and decision support
26. РЫБИНА Г.В., ЛЕВИН Д.Е.
Московский инженерно-физический институт (государственный университет)
Автоматизированный синтез общей структуры прототипа интегрированной экспертной
системы средствами интеллектуального планировщика комплекса АТ-ТЕХНОЛОГИЯ
27. ПЕРЕВЕЗЕНЦЕВ А.А.
Московский энергетический институт (технический университет)
Подход к построению многоагентной модели информационной деятельности в сети Интернет
28. KOLCHAKOV K.H.
Institute of Information Technologies - Bulgarian Academy of Sciences, Sofia, Bulgaria
Method for performance improvement of a non- conflict algorithm of message switching node
in distributed information networks
29. ИВАНОВ Ю.К., КОВРИГИН С.Н., ОСОКИН В.М., ЦИБЛИЕВ В.В.
Центр подготовки космонавтов им. Ю.А. Гагарина, Звездный городок, Московская область
Мониторинговая экспертная система реального масштаба времени
30. ЗАЛИВНОВ О.В.
Российский государственный технологический университет им. К.Э. Циолковского
Оценка параметров бизнес-процессов с применением теории графов
31. РЫБИНА Г.В., ТАТАРНИКОВ А.В.
Московский инженерно-физический институт (государственный университет)
Особенности построения подсистем общения для интегрированных экспертных систем,
создаваемых в среде комплекса АТ-ТЕХНОЛОГИЯ
32. САДЕРДИНОВ Р.А.
Московский энергетический институт (технический университет)
Онтологии в обеспечении живучести информационных систем
33. МАЛИНОВСКИЙ В.П.
Московский энергетический институт (технический университет)
Рефлексия корпоративного опыта как способ извлечения экспертного знания
34. ТРЕМБАЧ В.М., КОТЕНКО Д.С.
Московский авиационный институт (государственный технический университет)
Организация коммуникации в распределенной интеллектуальной информационной системе
35. РЫБИНА Г.В., ИВАЩЕНКО М.Г.
Московский инженерно-физический институт (государственный университет)
Автоматизация процесса формализации поля знаний интегрированных экспертных систем,
разрабатываемых в среде комплекса АТ-ТЕХНОЛОГИЯ
36. КОЛЕСНИКОВ А.В., ФЕДОРОВ О.П.
Калининградский государственный технический университет
Применение гибридной технологии в конструировании рыборазделочного оборудования
37. БУТЕНКОВ С.А., ЕВСЕЕВ А.С.
Таганрогский государственный радиотехнический университет
Интеллектуальный подход в задаче обработки сигналов
38. РЫБИНА Г.В., ДЕМИДОВ Д.В.
Московский инженерно-физический институт (государственный университет)
Метод подтверждения гипотез в универсальном решателе инструментального комплекса АТ-ТЕХНОЛОГИЯ
39. МАНАНКОВ Н.И. , ТЕЛЬНОВ Ю.Ф.
Московский государственный университет экономики, статистики и информатики
Конфигурация продукции предприятия с использованием интеллектуальных и Internet-технологий
40. КУЛИКОВ А. В.
Московский энергетический институт (технический университет)
Алгоритмы обобщения, основанные на теории приближенных множеств
41. СТЕПАНЕНКОВА Н. А.
Московский энергетический институт (технический университет)
Применение нейро-нечетких моделей в системах поддержки принятия решений
42. РЫБИНА Г.В., СТРИГУНОВА С.В.
Московский инженерно-физический институт (государственный университет)
Обзор подходов к построению средств объяснения для инструментального комплекса АТ-ТЕХНОЛОГИЯ
43. МЕТАН Г.Н.
Московский государственный технический университет им. Н.Э. Баумана
Подсистема хранения данных для интеллектуальной системы
аудио-реставрации
44. КОЛЕСНИКОВ А.В., ШАПУРО А.Л.
Калининградский государственный технический университет
Исследование влияния параметров генетических алгоритмов на эффективность
решения задач многокритериальной оптимизации
45. БЕРЕСТОВА В.И., МАКСИМОВИЧ Г.Ю.
Российский государственный гуманитарный университет, Москва
Применение экспертных систем в паблик рилейшнз
46. РЫБИНА Г.В., ШАКИРОВ А.Н.
Московский инженерно-физический институт (государственный университет)
О построении сетевой модели обучаемого средствами инструментального комплекса АТ-ТЕХНОЛОГИЯ
47. ТРОИЦКИЙ В.В.
Московский энергетический институт (технический университет)
Система темпоральных рассуждений и её приложения
48. РЫБИН И.В.
ЗАО “Эквант”, Москва
Инструментальные средства для создания приложений многоагентных систем в области телекоммуникаций
49. САВЧЕНКО О.Ф., ДОБРОЛЮБОВ И.П.
Сибирский физико-технический институт аграрных проблем, п. Краснообск Новосибирская область
Фреймовая модель экспертизы состояния двигателей в измерительной экспертной системе
50. РЫБИНА Г.В., СМИРНОВ В.В., ЧЕРЕМУШКИН Д.В.
Московский инженерно-физический институт (государственный университет)
Формализация процессов верификации поля знаний в инструментальном комплексе АТ-ТЕХНОЛОГИЯ
51. СЕРДЮКОВ Р.Е.
Белорусский государственный университет информатики
и радиоэлектроники, Минск
Системное программное обеспечение машин обработки знаний
52. ЯНКОВСКАЯ А.Е., ПУСПЕШЕВА С.И.
Томский государственный архитектурно-строительный университет
Подсистема логико-комбинаторно-вероятностного вывода
в интеллектуальном инструментальном средстве ИМСЛОГ-2002
53. ДУШКИН Р.В., СИДОРКИНА Ю.С.
Московский инженерно-физический институт (государственный университет)
О реализации нечеткой арифметики для универсального решателя комплекса АТ-ТЕХНОЛОГИЯ
54. ПОДОБЕДОВ В.Е.
СТБ КАРД, Москва
Представление характеристик платежной системы с помощью видовых распределений
55. КОМАРЦОВА Л.Г., ГОЛУБИН А.В.
Калужский филиал МГТУ им. Н.Э. Баумана
Адаптация параметров генетических алгоритмов при поиске решений
56. КОЛЯДА А.В.
Таганрогский государственный радиотехнический университет, Ростовская область
Выбор целевых функций в системах эволюционного проектирования
57. АРСЕНЬЕВ С.В.
Московский государственный технический университет им. Н.Э. Баумана
Когнитивный агент – базовый элемент корпоративной информационной системы
58. БОРОВСКАЯ Р.В., ТЮРГАНОВ А.Г.
Уфимский государственный авиационный технический университет
Использование экспертных знаний для преобразования признакового пространства
59. МАКСИМКИН В.В.
Концерн “Голден Телеком”, Москва
Проблемно-ориентированное расширение системы G2 для моделирования процессов,
протекающих в сложных технических системах
60. МИХАЛЕВ С.А.
Московский государственный университет экономики, статистики и информатики
Фирма «Armex», Москва
Методика планирования и позиционирования рекламных мероприятий
в сети Интернет
61. СЕРЁГИН А.Ю., ЛИСОВ О.И.
Московский государственный институт электронной техники (технический университет), Зеленоград
Интерфейс советующей системы на основе семантического анализатора
62. ЕГОРОВ С.В.
Московский энергетический институт (технический университет)
Параметрический синтез структур в задаче V-образного проектирования
63. ШЕРМАКОВ С.А.
ФГУП Российский научно-исследовательский институт управления
на железнодорожном транспорте (ВНИИУП МПС России), Москва
Система имитационного моделирования транспортного коридора «Орехово-Зуево – Санкт-Петербург»
64. ШАМШЕВ А.Б.
Ульяновский государственный технический университет
Система автоматизированного проектирования вычислительных сетей с использованием
байесовских сетей доверия
65. РОДИОНОВ A.В.
Калужский филиал МГТУ им. Н.Э. Баумана
Визуализация дискретно-непрерывных многомерных данных в интеллектуальных системах
66. СОРОКИН С.Н.
Таганрогский государственный радиотехнический университет, Ростовская область
Конструирование функций пригодности в эволюционном проектировании вибраторных антенн
67. ВЫБОРНОВА О.Е.
Московский государственный лингвистический университет
Моделирование поиска и интерпретации пресуппозиций в диалогическом дискурсе
68. ВАРШАВСКИЙ П.Р.
Московский энергетический институт (технический университет)
Применение алгоритма поиска минимальных пересечений в методе аналогий с учетом контекста
69. ЯРУШКИНА Н.Г., БУШМЕЛЕВ Ю.Ю.
Ульяновский государственный технический университет
Применение нечетких нейронных сетей в построении интеллектуальных хранилищ
информационных ресурсов
70. АВЕРИН А.И.
Московский энергетический институт (технический университет)
Алгоритм параллельной унификации с использованием усовершенствованной структуры
представления термов
71. АНОХИН А.Н., АНТОШИН Д.В.
Обнинский государственный технический университет атомной энергетики
Методика формального представления и анализа документации, регламентирующей деятельность
оператора, на основе интеграции обобщенного структурного метода и лингвистического процессора
72. СМИРНОВ В.В.
Московский инженерно-физический институт (государственный университет)
Применение спецификаций при верификации баз знаний экспертных систем
73. ЛИПАТОВ А.А.
Российский НИИ искусственного интеллекта, Москва
Повышение уровня представления недоопределённых моделей в решателе UNICALC
74. ЛОГУНОВ Д.В.
Калужский филиал МГТУ им. Н.Э. Баумана
Разработка интеллектуальных компонентов для поддержки принятия решений в экономических системах
75. ФИНАЕВ В.И., БУТЕНКОВ Д.С.
Таганрогский государственный радиотехнический университет, Ростовская область
Разработка интеллектуальных систем обгона и моделирование транспортных потоков
76. АЗОВ М.С.
Ульяновский государственный технический университет
Моделирование локальных вычислительных сетей на базе нечетких случайных величин
77. ЯНКОВСКАЯ А.Е.
Томский государственный архитектурно-строительный университет
Ускоренный шагово-циклический алгоритм построения безызбыточных безусловных
диагностических тестов в интеллектуальном инструментальном средстве ИМСЛОГ-2002
78. БЕРЗИН В.Ю., ПАРОНДЖАНОВ С.С., МАТЮХИН Д.А.
Московский инженерно-физический институт (государственный университет)
Способ семантической интерпретации языка взаимодействия интеллектуальных агентов системы «ИМВИА»
79. ЖИРОВ В.Г.
Самарский государственный технический университет
Информационная система для выбора места работы претендента на вакантную должность
80. БУТЕНКОВ С.А., КРИВША В.В., САЛЬНИКОВ В.А.
Таганрогский государственный радиотехнический университет, Ростовская область
Интеллектуальные алгоритмы для систем машинного зрения на основе геометрии клеточных комплексов
81. ГОРБАНЬ А.С., БУТЕНКОВ С.А.
Таганрогский государственный радиотехнический университет, Ростовская область
Применение морфинга в иерархических обобщённых геометрических моделях для решения задач
искусственного интеллекта
82. ДУЛИНА Н.Г., КИСЕЛЕВ И.А.
Вычислительный центр РАН, Москва
Метод управления уровнем доступа к интегрированным информационным ресурсам
83. МАКЕЕВ А.С.
Ульяновский государственный технический университет
Разработка алгоритма поиска пути в нечетких графах
84. НАЗАРОВА А.Е., РАЗУМЦОВА Ю.В.
Московский государственный технический университет им. Н.Э. Баумана
Организация взаимодействия агентов
85. ДЁМКИН М.А., ФЕДУНОВ Б.Е.
Московский государственный авиационный институт (государственный технический университет)
Государственный научно-исследовательский институт авиационных систем, Москва
Система имитационного моделирования для отработки базы знаний бортовой экспертной системы «Дуэль»
86. ЕЛЬЦОВ А.С.
Московский инженерно-физический институт (государственный университет)
HTN-формализм и перспективы его использования
87. ЛЕМЕШЕВА Т.Л.
Белорусский государственный университет информатики и радиоэлектроники, Минск
Виртуальные кафедры и инструментальные средства их проектирования
88. СОЛОНИН М.С.
Институт проблем управления РАН, Москва
Использование методов прямого ранжирования и весовых коэффициентов
в факторно-целевом анализе бизнес-системы
89. КРАСНОУСОВА С.К., САВЧЕНКО О.Ф., ДОБРОТВОРСКАЯ Н.И.1
Сибирский физико-технический институт аграрных проблем (СибФТИ)
1Сибирский научно-исследовательский институт земледелия и химизации сельского хозяйства
(СибНИИЗХим) п. Краснообск, Новосибирская область
Особенности построения интеллектуальной системы в землепользовании
90. ВИШНЕВСКАЯ Т.М., СЫЧЕВ А.П., ШИЛЬНИКОВ П.С.
Московский государственный технический университет им. Н.Э. Баумана
Проблемы интеграции малых средних прикладных программных продуктов в единое
информационное пространство
Доклады, описывающие программные разработки по курсу
“Динамические интеллектуальные системы”,
представленные на выставку
91. ТАНЫГИНА Е.А., ФИЛАТОВ А.М.
Московский инженерно-физический институт (государственный университет)
О разработке прототипа динамической интеллектуальной системы радиолокационного мониторинга
воздушного пространства
92. КСЕНОФОНТОВ А.И., СТЕПАНОВ Л.С., СТРИГУНОВА С.В.
Московский инженерно-физический институт (государственный университет)
ЭКОС - прототип интеллектуальной системы слежения за уровнем токсичных веществ в водоемах
93. МИХАЙЛОВ В.А., СИДОРКИНА Ю.С.
Московский инженерно-физический институт (государственный университет)
Прототип динамической интеллектуальной системы регулирования перекрестков
94. БИНЬКО А.Г., ИВАЩЕНКО М.Г.
Московский инженерно-физический институт (государственный университет)
Разработка прототипа интеллектуальной системы "ВР " для мониторинга
и прогнозирования работы сети бензозаправочных станций в условиях города
95. ЗИМОВ С.В., ЧЕРЁМУШКИН Д.В.
Московский инженерно-физический институт (государственный университет)
О разработке прототипа динамической интеллектуальной системы «Эндшпиль»,
моделирующей процесс розыгрыша стандартных шахматных окончаний
96. БОРОДКИН А.А., ПАНИНА А.Ю.
Московский инженерно-физический институт (государственный университет)
Прототип интеллектуальной системы для регулирования численности популяции рыб
семейства карповых в замкнутой экосистеме
97. КУРЕНКОВ М.В., ЛЕПЕШКИНА И.В.
Московский инженерно-физический институт (государственный университет)
Разработка прототипа интеллектуальной системы моделирования работы и временного
мониторинга загрузки базовой сотовой станции
98. СЕРГИЕНКО М.Г., СТЕПАНОВА Н.В.
Московский инженерно-физический институт (государственный университет)
Прототип интеллектуальной системы "ЭПИДЕМИЯ " для моделирования работы службы контроля
за санитарно-эпидемиологическим благополучием общества
99. ПОТАПОВ Д.А., КОВРАЖКИН А.А.
Московский инженерно-физический институт (государственный университет)
Прототип системы управления расписанием поездов Замоскворецкой линии Московского метрополитена
--------------------------------------------------------------------------------
smollett
2Dr.
Вы где этого набрались?
--------------------------------------------------------------------------------
DrDrew 2 Smallett 27 января, 09:50
В альма-матери, Смоллетт
--------------------------------------------------------------------------------
supremum
ПРОЕКТ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ
1 ЗАДАЧА 1
2 ПРИМЕНЯЕМЫЕ ТЕХНОЛОГИИ 1
2.1 ЛОГИКА 1
2.2 СИСТЕМА ПОНЯТИЙ 2
2.3 ГЕНЕТИЧЕСКОЕ ПРОГРАММИРОВАНИЕ 2
1 Задача
Необходимо осуществлять дискретное управление процессом. Процесс описывается в терминах событий и состояний (возможно нечетких). Управление осуществляется путем последовательного и параллельного выполнения дискретных операций. Набор доступных операций, наблюдаемых событий и состояний велик настолько, что можно считать его неограниченным. Управление многоцелевое. Целями управления могут быть задачи приведение/удержание процесса в целевых состояниях, генерации целевых событий. Дополнительной информации о процессе, кроме критичных ограничений на управление, отсутствует.
2 Применяемые технологии
Применяются технологии генетического программирования, искусственных нейронных сетей и нечеткой темпоральной логики.
2.1 Логика
Для управления процессом необходимы знания о закономерностях этого процесса. Широко распространен и хорошо зарекомендован способ представления знаний в виде причинно следственных закономерностей. Язык представления знаний должен оперировать семантикой времени и иметь возможность представлять нечеткие знания. В отличие от традиционных интеллектуальных систем, работающих с правилами, наша система должна самостоятельно заполнять и изменять базу знаний об управляемом процессе. То есть система должна уметь обучатся, извлекать знания (правила) из результатов наблюдений (факты). Это требование накладывает ограничения на синтаксис языка правил. Синтаксис языка правил должен давать возможность автоматически конструировать правила методами случайного поиска.
Запись правила имеет следующий синтаксис:
X1 & X2 & ... & Xn & !Xn+1 & !Xn+2 & ... & !Xm - > Y (P, T)
Где X1,..., Xn,..., Xm, Y - нечеткие логические переменные; P - коэффициент нечеткости, характеризующий степень надежности причинно-следственной связи; T - задержка времени между причиной и следствием (может быть отрицательной).
2.2 Система понятий
Для конструирования причинно-следственных правил эффективно описывающих управляемый процесс необходим развитый понятийный аппарат. Очевидно, что одних первичных понятий, непосредственно характеризующих управляемый процесс, недостаточно. Требуется введение вторичных понятий. Система понятий должна формироваться автоматически. Вторичное понятие является образом, распознаваемым в потоке первичной информации об управляемом процессе. Понятие образа следует отличать от понятия изображения. Изображение является моментальным снимком потока первичной информации. Образ является некоторым множеством изображений, классом изображений. Распознать образ, значит, определить степень принадлежности изображения заданному множеству, определяющему образ. Необходим язык, позволяющий осуществлять автоматическое конструирование программ распознавания образа методами случайного поиска на основе истории наблюдений за управляемым процессом. Этим требованиям удовлетворяет язык искусственных нейронных сетей многослойной архитектуры. Доказано, что сети этой архитектуры способны сколь угодно точно аппроксимировать любую кусочно-непрерывную функцию. Эксперименты показали, что в генетическое программирование в связке с традиционными методами параметрической оптимизации позволяют автоматически строить программы анализа изображений на языке нейронных сетей.
2.3 Генетическое программирование
Задачи построения системы понятий, системы правил, построение плана управления являются переборными задачами класса NP. Для решения задач этого класса широко применяются метод генетического программирования (ГП). Однако, практика показывает два существенных недостатка этого метода:
1. Вырождение популяции
2. Большие вычислительные затраты на поиск решения
Под вырождением популяции понимается ситуация, когда все экземпляры в популяции являются копиями друг друга с несущественными модификациями. При этом экземпляры не могут быть улучшены в результате операций ГП и значение критерия оптимальности экземпляров ниже приемлемого уровня. Для кардинального решения этой проблемы предлагается пересмотреть основы метода ГП. Как известно в ГП экземпляры, имеющие более высокое значение критерия оптимальности, имеют и более высокие шансы оставить потомство. Автором предлагается принципиально иной подход. Экземпляры, имеющие более высокое значение критерия оптимальности, имеют более высокий шанс на долговременное хранение, но размножаются преимущественно экземпляры принадлежащие эволюционной ветви с более высоким текущим темпом развития.
Автором утверждается постулат о невозможности нахождения, в общем случае, точного или приближенного решения комбинаторной задачи класса NP. Вместо поиска точного или приближенного решения задачи должна ставится цель нахождения решения, превосходящего по критерию оптимальности имеющееся решение. При такой постановке вопрос о времени поиска решения теряет смысл. Поиск и улучшение решений ведется непрерывно, на всем протяжении существования системы.
1 О построение плана управления путем логического вывода речи быть не может. Количество правил в базе знаний будет огромным. Ни какие ухищрения не спасут от комбинаторного взрыва. К тому же набор правил не обязан быть непротиворечивым.
--------------------------------------------------------------------------------
Иван FXS
DrDrew <Курчатовская научная конференция в МИФИ > 27 января, 09:29
Секция И-2. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ ...
" " " " " " " " " " " " " " " " " " " " " " " " " " " " "
Был я недавно на подобном мероприятии - фуфло!
У большинства участников основная задача - получить галочку "доложено на конференции " (а потом - "есть публикация ") для защиты пустопорожней кандидатской диссертации :-(
Выходит докладчик, толдычит невнятный доклад, показывает нелепые слайды, ему задают один (реже - два) вопрос, который он не понимает (языка-то общего - нет!) и отвечает на него невпопад ... ВСЕ! :-((
Ну и - отдельный вопрос: наскольк "правильно " такие списки постить в конфу ...
НП, Иван FXS.
--------------------------------------------------------------------------------
Иван FXS
Андрей Finder Плахов 26 января, 13:54
В этом смысле задача (а точнее, класс задач) Ивана FXS мне нравится больше. Попробую ее переиначить так, как она мне нравится еще больше :).
Дан процесс, происходящий по каким-то (вообще говоря, неизвестным ИИ) законам. ИИ может осуществлять ...
" " " " " " " " " " " " " " " " " " " " " " " " " " " " "
Egg 26 января, 15:25
задача Ивана кажется мне слишком неконкретной... это не задача, а тема для школьного реферата...
" " " " " " " " " " " " " " " " " " " " " " " " " " " " "
Коллеги, не могли бы вы мне объяснить, какую ИМЕННО "задачу Ивана " Вы обсуждаете? Чессссно слово, мне очень любопытно, но я не понимаю - о чем речь!!!
НП, Иван FXS.
--------------------------------------------------------------------------------
Иван FXS
SDI 26 января, 13:47
Как работает мозг науке не известно, но как "работает " наука нам известно поболее, давай возмем за основу ... Чем тебе не алгоритм для работы ИИ?
" " " " " " " " " " " " " " " " " " " " " " " " " " " " " "
Сорри, а почему именно наука должна быть прототипом для ИИ?
Почему не:
- иженерия
- программирование
- бизнес-мэнеджмент
- военное дело
- законотворчество
- религия
- литературное творчестко
... и т.д. и т.п :-(
НП, Иван FXS.
--------------------------------------------------------------------------------
Иван FXS
Комбинатор 26 января, 15:43
Теория информации теснейшим образом связана с теорией вероятностей (например, понятие бита даётся через вероятности событий).
" " " " " " " " " " " " " " " " " " " " " " " " "
первый раз об этом (про бит) слышу; думаю, это - неправильное "введение " понятие БИТ!
--------------------------------------------------------------------------------
Иван FXS
smollett 27 января, 08:03
По поводу движка для форумов, что глянь на http://talk.mail.ru/, че скажешь?
" " " " " " " " " " " " " " " " " " " " " " " " " "
Истинно глаголю вам, братья: движок нужно искать, позволяющий
а. редактировать постеры
б. вводить (и - редактировать, естественно) HTML-тэги ...
НП, Иван FXS.
--------------------------------------------------------------------------------
Inex 27 января, 12:53
to > smallet
> >А вот помните мой идиотский вопрос про ДНК. Вы как носитель ИИ имеете доступ к знаниям в ней зашитой? А как не носитель < <
Нет, не имею. Тем более, знаниями это называть некорректно, так как не было субъекта, который вкладывал в эту ДНК свои знания. Я же говорил именно о ИИ. Вот Вы, например, создаете ИИ. Вы заранее _знаете_ (то есть, это априорные знания), что этот ИИ будет функционировать в таком-то мире с такими-то законами. Вы свои знания используете, например, в алгоритмах по обработке зрительной информации. Эти алгоритмы будут построены на _ваших_ априорных знаниях о _будущей_ среде функционирования ИИ (Вы, именно Вы, а не ИИ, Вами создаваемый, знаете законы распространения излучения, законы проекции и т.д. И создаваемые Вами алгоритмы отражают эти знания). Сможете ли Вы создать ИИ, не зная того, в какой среде ему предстоит обитать? В этом и заключался вопрос: насколько универсален может быть интеллект. Многие его поняли правильно и высказались по существу (кстати, вопросы были риторические, так как Андрей Плахов просто попросил всех задать по три вопроса). А некоторые стали цепляться к словам, причем не по делу.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 12:57
Supremum
Если Вы дадите хороший ответ на следующий вопрос, после чего я стану фанатичным приверженцем данного проекта.
Вопрос, думаю, лучше сразу формулировать на примерах.
Предположим, часть входов - матрица 64х64, на которую подаются сигналы с камеры. Сможет ли система сформулировать понятие "предмета " как продолжающейся во времени, медленно изменяющейся контрастной части входа? Если не сможет сама, то как человек может ей это "объяснить "? Может ли система сформулировать нечеткое правило "если на входе контур, похожий на №18743, и мы находимся в лесу, то убегать быстрее "? Если да, то как она будет формулировать понятие "похожести " - на многослойных нейросетях? Вход, сдвинутый влево на 1 вход, для нейросети совершенно "непохож " на исходный...
Предположим, процесс инвариантен относительно некоторой перестановки входов. Например, в компьютерной игре, если предположить, что на входе координаты "врагов ", все координаты, отвечающие одинаковым "врагам ", можно как угодно переставить местами. Очевидно, обучение становится существенно быстрее и эффективнее, если система знает или "поняла " данное правило. Сможет ли она это сделать? Можно ли ей будет об этом "рассказать ", и как? Сможет ли она выбрать правильного представителя из множества эквивалентных входов (например, в данном случае имело бы смысл перед обучением на нейросетях упорядочить врагов по расстоянию до нас и, возможно, применить движение плоскости, переводящее ближайшего врага на ось Х)?
Мои сомнения понятны? Мне кажется, что слово "нечеткий инвариант " - хорошее практическое уточнение слова "понятие ", и что нейронные сети не способны к выделению нечетких инвариантов. Я уже писал свои возражения по поводу практической применимости теоремы о том, что "могут сколь угодно точно аппроксимировать любую кусочно-непрерывную функцию ", могу их сформулировать еще раз.
Идея о "темпе развития " как критерии отбора очень интересна. Можно правила такого отбора в более формализованном виде?
Еще, вот Вы пишете, "Эксперименты показали, что ... " Опишите их, это ведь самое интересное! Мне кажется, что база тестовых и практических задач для развития ИИ на данном этапе даже важнее, чем база идей. Лично мне в первую очередь хотелось бы узнать, какие у кого методики тестирования и оценки методов.
--------------------------------------------------------------------------------
Inex 27 января, 12:59
to > комбинатор
> >Все математические построения у меня, в основном, находятся в текстах работающих программ :) < <
Плохо :((
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 12:59
Inex, я получил Ваше письмо, но ответить все не успеваю. :(
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 13:03
Inex
Плохо :((
Нормально! Начинать с математики нельзя. Вот есть человек, который может поделиться с нами хорошим практическим опытом, этот опыт дальше уже можно обобщать, формализовать и т.п. Не надо его за это ругать :))
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 13:14
Математика как база плоха тем, что никогда заранее неизвестна применимость итогового результата. Допустим, я сейчас пытаюсь изучать методами высшей алгебры множества "знаний " с определенной на множестве операцией "объединения ", обладающей свойствами ассоциативности, коммутативности и идемпотентности. Может быть, я получу интересные практические результаты, а может быть, все это останется пустой абстракцией, неприменимой именно из-за слишком высокого уровня абстрагирования.
Если мы пытаемся рассуждать, исходя только из уже известного практического опыта, мы поступаем вопреки духу фундаментальной науки, но в столь "зыбких " областях, как ИИ, такой подход имхо правильней.
--------------------------------------------------------------------------------
gen 27 января, 13:26
2 Inex
К Вам мое письмо дошло?
--------------------------------------------------------------------------------
supremum
to Андрей Finder Плахов 27 января, 12:57
"Сможет ли система сформулировать понятие "предмета " как продолжающейся во времени, медленно изменяющейся контрастной части входа? "
ИНС можно заставить распознать токой "предмет " в последовательности кадров изображений. По идее система может построить такую ИНС самостоятельно. Главное, что бы введенное понятие было полезным для системы.
"Если да, то как она будет формулировать понятие "похожести " - на многослойных нейросетях? Вход, сдвинутый влево на 1 вход, для нейросети совершенно "непохож " на исходный... "
Смотря для какой сети. Лично я могу построить сеть выполняющую инвариантное преобразование относительно сдвига не выходя за рамки языка сети. Думаю, что и с другими преобразованиями сеть справится.
Если системе понадобится такие сети, они могут быть построены автоматически.
"Предположим, процесс инвариантен относительно некоторой перестановки входов. Например, в компьютерной игре, если предположить, что на входе координаты "врагов ", все координаты, отвечающие одинаковым "врагам ", можно как угодно переставить местами. Очевидно, обучение становится существенно быстрее и эффективнее, если система знает или "поняла " данное правило. Сможет ли она это сделать? "
Может. Система стремится к простоте распознающих сетей (выше обобщающие способности).
"Можно ли ей будет об этом "рассказать ", и как? Сможет ли она выбрать правильного представителя из множества эквивалентных входов (например, в данном случае имело бы смысл перед обучением на нейросетях упорядочить врагов по расстоянию до нас и, возможно, применить движение плоскости, переводящее ближайшего врага на ось Х)? "
Если очень хочется, то наверное можно. Однако цель проекта заключается в создании самостоятельно обучающихся систем.
"Мне кажется, что слово "нечеткий инвариант " - хорошее практическое уточнение слова "понятие ", и что нейронные сети не способны к выделению нечетких инвариантов. "
Что такое нечеткий инвариант? Можно формальное определение? Можно простенький пример такого инварианта?
"Идея о "темпе развития " как критерии отбора очень интересна. Можно правила такого отбора в более формализованном виде? " Можно. На какой e-mail выслать?
"Еще, вот Вы пишете, "Эксперименты показали, что ... " Опишите их, это ведь самое интересное! " описание части тестов смотрите http://groups.yahoo.com/group/IErussian/message/5733
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 13:56
2supremum
Высылайте пока на a_plakhoff@mail.ru, я Вам потом письмом напишу более нормальный адрес. Здесь его светить не хочется, т.к. после упоминания a_plakhoff@mail.ru на Мембране, на него стало приходить втрое больше спама.
>я могу построить сеть выполняющую >инвариантное преобразование относительно >сдвига не выходя за рамки языка сети
Интересно! А можно ли сформулировать структуру сетей, умеющих выполнять любое кусочно-непрерывное преобразование входа, инвариантное относительно сдвига, но не выполняющее неинвариантных преобразований?
>Если системе понадобится такие сети, они
>могут быть построены автоматически
Вот это и интересно, как?
--------------------------------------------------------------------------------
Inex 27 января, 13:59
to > Андрей Плахов
> >Нормально! Начинать с математики нельзя. < <
Нельзя, конечно. Но без теории особого прогресса не достигнуть. А эмпирических данных уже очень и очень много. Надо обобщать, и знакомиться с чьими-то результатами без наличия такого обобщения очень сложно.
to > gen
Да, спасибо, получил. Подробно прочитать смогу, правда, только завтра.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 14:00
Прочитал описание тестов, звучит очень интересно.
--------------------------------------------------------------------------------
supremum
to Андрей Finder Плахов 27 января, 13:56
"Интересно! А можно ли сформулировать структуру сетей, умеющих выполнять любое кусочно-непрерывное преобразование входа, инвариантное относительно сдвига, но не выполняющее неинвариантных преобразований? " Неинвариантных преобразований относительно чего, какой операции?
>Если системе понадобится такие сети, они
>могут быть построены автоматически
"Вот это и интересно, как? "
Путем эволюции структуры(случайный поиск), настройки весов и отбора.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 14:19
2supremum
Письмо получил, читаю
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 14:53
>Неинвариантных преобразований
>относительно чего, какой операции?
Той же операции сдвига :)
Можете ли Вы описать множество сетей, моделирующих любую кус.-непрерывную функцию, инвариантную относительно сдвигов, причем выход любой сети множества _заведомо_ инвариантен относительно любого сдвига?
Напомните мне, пожалуйста, чуть позже (вечером, скажем), я сформулирую определение нечеткого инварианта.
--------------------------------------------------------------------------------
Иван FXS
Андрей Finder Плахов 27 января, 14:53
Можете ли Вы описать множество сетей, моделирующих любую кус.-непрерывную функцию, инвариантную относительно сдвигов, причем выход любой сети множества _заведомо_ инвариантен относительно любого сдвига?
" " " " " " " " " " " " " " " " " " " " " " " " " " " " "
А можно - для ежиков - разжевать:
что ВООБЩЕ такое "Х, моделирующий любую кус.-непрерывную функцию, инвариантную относительно сдвигов, причем выход любого Х _заведомо_ инвариантен относительно любого сдвига "?
1. существует ли на свете пример такого Х?
2. что такое "моделирование функции ": вот есть функция
F(x)=2*x+1 - Вы, Андрей, чем можете ее "смоделировать "?
3. приведите - умоляю - хоть один пример "функции, инвариантной относительно сдвигов ", - очень хочется понять, о чем речь!
НП, Иван FXS.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 16:07
Моделирование ф-ии нейросетью с точностью epsilon (я только в этом смысле употреблял это слово) - это значения весов и структура связей нейронов друг с другом, такие, что выход сети отличается от значения ф-ии на любом входе не больше чем на epsilon. Если речь идет о множестве нейросетей, моделирующих что-то, то имеется в виду, что для любого epsilon в данном множестве найдется такая нейросеть.
На свете существует, к примеру, Х, моделирующий с любой точностью любую кусочно-непрерывную ф-ию вообще. Это множество многослойных персептронов. Разумеется, это не единственный такой "икс ". Насчет Вашего вопроса -
1. существует ли на свете пример такого Х?
Думаю, да, но с ходу привести его не могу :)
Я называю функцию от N^2 аргументов инвариантной отн. сдвигов, если она такая: представим себе ее вход как квадрат NxN. Пусть входы по границе были нулевые, а мы взяли и "сдвинули " этот квадрат в сторону. Получился новый вход. Ф-ия инвариантна, если ее значение от любого такого сдвига не меняется.
Пример "функции, инвариантной относительно сдвигов "
- максимум из всех входов
- максимум разницы значений между двумя соседними входами
- "освещенность " (суммарная активность входов)
- является ли вход буквой "А " :)
и т.п.
--------------------------------------------------------------------------------
Иван FXS
Продолжу, пока никто не мешает ;-)
Андрей, я не понимаю Ваш тезис: "нейронная сеть моделирует функцию "!
По-моему так - она АППРОКСИМИРУЕТ подаваемые ей в при обучении ДИСКРЕТНЫЕ значени-примеры ...
А после окончания обучения - она ПРЕДСТАВЛЯЕТ СОБОЙ конкретную функцию, а вовсе не "моделирует "!
НП, Иван FXS.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 16:12
ОК, буду писать "аппроксимировать ".
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 16:14
Я действительно применил плохой термин. Сеть не "моделирует ", а аппроксимирует. И, соответственно, вопрос звучит как:
Можете ли Вы описать множество сетей, аппроксимирующих любую кус.-непрерывную функцию, инвариантную относительно сдвигов, причем выход _любой_ сети множества инвариантен относительно сдвигов?
--------------------------------------------------------------------------------
Иван FXS
Пример "функции, инвариантной относительно сдвигов "
- максимум из всех входов
- максимум разницы значений между двумя соседними входами
- "освещенность " (суммарная активность входов)
- является ли вход буквой "А " :)
и т.п.
" " " " " " " " " " " " " " " " " " " " " " " " "
О! Я понял!! И - скажу Вам по секрету, что Арифметические Нейронные Сети (которым в слове GARANT "соответсвуют " 4-я и 5-я буквы ;-) ) - в легкую РЕАЛИЗУЮТ все эти три перечисленные Вами функции!
(((Кстати о птичках: функция F(x)=2*x+1 РЕАЛИЗУЕТСЯ АНС (Арифметической Нейронной Сетью), состоящей из двух последовательно соединенных нейронов:
передаточная функция первого - умножение на два,
а передаточная функция второго - прибавление единицы. Не знаю вот только - наступит ли Вам от этого моего сообщения счастье ... ;-) )))
НП, Иван FXS.
--------------------------------------------------------------------------------
Иван FXS
Можете ли Вы описать множество сетей, аппроксимирующих любую кус.-непрерывную функцию, инвариантную относительно сдвигов, причем выход _любой_ сети множества инвариантен относительно сдвигов?
" " " " " " " " " " " " " " " " " " " " " " " " "
Сорри за занудство, но она ... этааа ... того ... не функцию аппроксимирует, а - значения (=обучающие ПРИМЕРЫ) ... :-(
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 16:42
Иван FXS
>Сорри за занудство, но она ... этааа ...
>того ... не функцию аппроксимирует, а -
>значения (=обучающие ПРИМЕРЫ) ... :-(
Не, в этой теореме- "знамени " нейросетевиков говорится именно об аппроксимации _функций_. Речь только о том, что сеть, которая аппроксимирует функцию, существует.
А вот как ее найти (построить), сколько для этого понадобится обучающих примеров, и можно ли сделать это с помощью backprop или какими еще методами - это уже другие теоремы ;-)
--------------------------------------------------------------------------------
Иван FXS
Андрей, мы с Вами одинаково понимаем смысл слова "аппроксимация "?
Что означает утверждение: (нечто) аппроксимирует функцию F(x)=2*x+1 ??
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 16:59
>Арифметические Нейронные Сети - в легкую РЕАЛИЗУЮТ
Дык, обычные тоже :) Речь-то не о том! Речь о том, насколько легко в рамках парадигмы ИНС (или, соответственно, АНС) выразить понятие инварианта (в том смысле выразить, в каком я поставил задачу для "сдвигов "). Вот я пока не умею ни там, ни там. Судя по тестам, результаты которых представил supremum, он как-то научился это (или что-то похожее) делать для ИНС, но как - пока не рассказал. Вот мне и очень интересно, как?..
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:07
Ох, придется строгость, похоже, включать на всю мощность.
Теорема аппроксимации.
Для любой ограниченной кусочно-непрерывной функции и сколь угодно малого числа epsilon > 0, в множестве многослойных персептронов найдется такой элемент (= найдется такая сеть) и такие веса связей для него(нее), что значения выхода сети отличаются от значений функции не больше, чем на epsilon, на всем множестве входов.
Теорема ничего не говорит о том, как именно найти такую сеть (как искать ее структуру, обучать, подбирать веса и т.д.), сколько понадобится обучающих примеров и т.п. Она только о том, что такая сеть есть в принципе.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:12
Иван, Вам понятно теперь, что я понимаю под "аппроксимацией "? И что мне вообще хотелось бы от инвариантов?..
Это действительно важно, мне кажется, неумение работать с инвариантами и есть тот самый "камень преткновения " для современных парадигм ИИ...
--------------------------------------------------------------------------------
Иван FXS
О, язык мой - враг мой!!
Вы уверены, что "рамки парадигмы ИНС " предназначены для "выражения понятий ", - "понятия инварианта ", например?
Другими словами: осмыслена ли вообще эта "задача " - выразить понятие инварианта парадигме ИНС?
Вы согласны, что "парадигма ИНС " может быть сформулирована так: тренируем (=выбираем и настраиваем) сеть на одних примерах и после этого - пытаемся использовать на пругих.
???
НП, Иван FXS.
--------------------------------------------------------------------------------
Иван FXS
Да, я понял. Однако, точно такие же "Теоремы аппроксимации " верны ведь и для рядов Тейлора, и для рядов Фурье ... то есть СПЕЦИФИКИ инс она не ухватывает! Той, которая как раз заключена в
Кстати, БАНАЛЬНАЯ функция F(x)=2*x+1, - она ведь НЕОГРАНИЧЕНА, правда?
НП, Иван FXS.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:32
>осмыслена ли вообще эта "задача " -
>выразить понятие инварианта парадигме ИНС
Думаю, да, вполне. Вот ее вполне осмысленное понимание (уж простите меня за громоздкость):
Дана группа инвариантных преобразований входа. Предъявить множество сетей, для которого была бы верна следующая теорема
Я пока не знаю, решаема ли такая задача. Но, во всяком случае, ее решений до сих пор не видел. Мое мнение (если кому-то оно интересно :) состоит в том, что опыт решения данной задачи для различных групп инвариантов очень сильно продвинул бы ИНС вперед.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:34
Теорема из предыдущего поста (потерялась)
1) Для любой ограниченной кусочно-непрерывной функции, инвариантной относительно данной группы преобразований, и для сколь угодно малого числа epsilon > 0, в множестве ... найдется такая сеть и такие веса связей для нее, что значения выхода сети отличаются от значений функции не больше, чем на epsilon, на всем множестве входов.
2) Для любой сети множества ее выход инвариантен относительно данной группы преобразований
--------------------------------------------------------------------------------
Иван FXS
Сорри, я задумался - в чем же она заключена, запнулся, решил сначала записать второй тезис. В итоге - ляп ;-)
-----------
ИСХОДНО специфика ВИДЕЛАСЬ в их "обучаемости " (Back-Propagatioon), ок?
То есть - как раз в том, что Вы выносите за скобки ... временно или навсегда?
А сейчас - в чем она? Supremum вот - не использует BackProp ...
НП, Иван FXS.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:40
>такие же "Теоремы аппроксимации " верны ведь и для ...
Ну да. :) Я еще в статье об этом писал. Отличие, как мне кажется, в том, что ИНС - технология, а остальное перечисленное - нет. Ты можешь не знать, что такое ИНС, и при этом, тем не менее, успешно осуществлять с помощью них анализ данных. Затем, ИНС гораздо проще ускорять аппаратно. У ИНС гораздо выше способность к обобщению (ниже ошибка на тестовой выборке при равных обучающих выборках), чем у рядов Фурье и Тейлора. Вот за это их и любят.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:45
>ИСХОДНО специфика ВИДЕЛАСЬ в их "обучаемости "
Cогласен, но BackProp - это не панацея совсем. Алгоритмов обучения много. Одну и ту же сеть можно обучать многими алгоритмами. А вот для ряда Тейлора много известно разных "способов обучения "?
И еще, обучаемость часто понимается как "способность к обобщению ".
--------------------------------------------------------------------------------
Иван FXS
Мне кажется, что этой теоремой (ее формулировкой) Вы "выразили понятие инварианта " прежде всего в парадигме ЧЕРНЫХ ЯЩИКОВ, имеющих вход и выход, и МГНОВЕННО (в смысле - ВНЕ ВРЕМЕНИ) преобразующих сигнал (а точнее - ЗНАЧЕНИЯ), подаваемый на "вход " (а точнее - ИМЕЮЩИЙСЯ на входе) в сигнал, появляющийся (имеющийся) на "выходе ".
А ИНС здесь - сбоку-припеку, обсуждаемое Вами свойство "черного ящика " конкретно с ИНС никак ведь не связано ...
НП, Иван FXS.
--------------------------------------------------------------------------------
Андрей Finder Плахов 27 января, 17:56
Согласен, речь об ИНС зашла только потому, что supremum желает "существовать " именно на них.
Я с радостью приму любой "черный ящик ", который будет уметь моделировать инварианты. (думаю, теперь, когда все строго определено, слово "моделировать " уже можно использовать ;)
--------------------------------------------------------------------------------
Иван FXS
Примите - в подарок? ;-)))
Вопрос ведь не в том - существует-несуществует, а в том - как СОЗДАВАТЬ (причем, в условиях ОГРАНИЧЕННЫХ РЕСУРСОВ) ...
НП, Иван FXS.
Комментариев нет:
Отправить комментарий