Различные модели искусственного интеллекта, проблемы его создания и применения

    С математической точки зрения нейрон — это нелинейный преобразователь — функция, на вход которой подано некоторое значение (возбуждающий сигнал), а с выхода снято другое значение (величина возбуждения), связанное с входным посредством некоторой функции (линейной или нелинейной), называемой функцией активации. 

    Рис.11. Многослойная нейронная сеть

    Под обучением сети понимается итеративный процесс, позволяющий получать выходные значения на сети с заданной точностью(рис. 11). Очевидно, что необходимо иметь тестовые наборы значений входов и соотвествующих им выходов. Такие наборы используются и в других моделях и называются обучающей выборкой. Из–за ограничений, накладываемых на объем данной работы, математические принципы функционирования нейронной сети не приводятся.

    Исследования  по нейроинформатике являются сегодня  одними из фаворитов в области ИИ. Практическое применение нейронных сетей распространено в военных, экономических, производственных системах. Нейронные сети можно реализовать аппаратно, в виде микросхем. Такие микросхемы являются, например, “мозгом” всемирно известных систем ПВО, где решают задачу распознавания “неопознанного объекта на экране радара” на расстояниях свыше 300 км.

    Одно  из главный препятствий на пути дальнейшего  широкого внедрения нейронных сетей, реализованных в виде специальных  микросхем, в реальные системы управления состоит в том, что принципиальные возможности нейронных сетей математически до конца не доказаны. По этой причине военные, например, не могут быть полностью уверены в надежности такой системы наведения.

ЗАКЛЮЧЕНИЕ

    В настоящей работе рассмотрены основные концепции и принципы, лежащие в основе современных методов искусственного интеллекта. Безусловно, материал работы не является исчерпывающим. Искусственный интеллект — быстро развивающаяся область знаний. Появляются принципиально новые концепции и задачи.

    Основная  часть работы посвящена “классическим” методам ИИ, широко используемым на практике, но, увы, не являющимся на сегодняшний день наиболее перспективными.

    Очевидно, что наиболее ценными в ближайшие годы будут работы, посвященные математическому или статистическому обоснованию адекватности и надежности вновь создаваемых моделей. В первую очередь это будет относиться к исследованиям по нейроинформатике. Применение нейронных сетей уже сегодня могло бы стать практически повсеместным, но до сих пор не имеется твердых доказательств того, какие задачи и с какой надежностью способна решать эта модель. 
 
 
 
 
 
 
 
 
 
 
 
 

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Аристотель. Собрание сочинений.
2. Винер Н. Кибернетика или управление и связь в животном и машине.
3. Дэйвисон М. Многомерное шкалирование: методы наглядного представления данных.
4. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений.
5. Искусственный интеллект. Под ред. Д. А. Поспелова.
6. Кант И. О воде. О Земле. Об огне. Критика чистого разума.
7. Кини Р. Л., РайфаХ. Принятие решений при многих критериях: предпочтения и замещения.
8. Ковалъски Р. Логика в решении проблем.
9. Кохонен Т. Ассоциативная память.
10. Мински М. Фреймы для представления знаний.
11. Мински М, Пейперт С. Перцептроны.
12. Нейман Дж. Теория самовоспроизводящихся автоматов.
13. Нилъсон Н. Принципы искусственного интеллекта.
14. Поспелов Д. А. Большие системы (ситуационное моделирование).
15. Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга).
16. Шенк Р. Обработка концептуальной информации.