Книги по разным темам Pages:     | 1 |   ...   | 46 | 47 | 48 | 49 | 50 |   ...   | 58 |

Пластина II,H предназначена для 2. Формирование символа состояния декомпозиции символа, сформированного в первой итерации на УпробнойФ пластине В теории распознавания прогноз III,G типа Гроссберга. Каждый нейрон является по сути распознаванием процесса, пластины III,G связан с несколькими (но не 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ со всеми) нейронами пластины II,H. По пластина Fin, на которую последовательно этим связям от символа пластины III,G передаются и где запоминаются символы.

идут сигналы в обратном направлении, и на H BP G H G пластине II,H возникает инверсный образ.

Если исходный образ заметно отличается Fin Fin от инверсного (а это Ч общий случай), то tn процедура повторяется. При этом выбирается новое положение символа, т.е.

осуществляется следующая итерация.

Проверка продолжается, пока отличие исходного образа от инверсного не станет достаточно малым. Если проверка tзакончилась успешно, символ передается по прямым связям на пластину IV,G.

Итерационная процедура проверки может и не сойтись. Это означает, что блок tзацикливается Ч возникает фрустрация, a) б) что является сигналом о том, что типичный Рис. 2. Схема покадрового распознавания образов а) образ нуждается в коррекции. Тогда с проверкой качества символов и б) без проверки корректируется процедура формирования типичного образа, и весь процесс Внутрипластинные связи в ней практически повторяется снова.

отсутствуют, так как основное её Когда процедуры проверки и коррекции назначение Ч запечатлеть весь процесс с как символов, так и образов отработаны, начала и до конца. Результат запоминания необходимость в BP отпадает. Тогда образ можно схематично представить в виде сразу передается по прямым ломаной линии.

межпластинным связям с I,H на IV,G. Этот Если алгоритм обработки каждого кадра блок изображен на рис. 1б.

отработан и в этом контексте однозначен, то модули BP не нужны. На рис. 2б 3. Прогнозирование представлена упрощенная схема без модулей BP: в ней покадровое В теории распознавания прогноз распознавание ускорено и скважность строится на основе прецедентов, т.е. уже существенно меньше. В результате на наблюдавшихся процессов. В АМ процесс финальной пластине Fin процесс выглядит наблюдается покадрово: в дискретные не как ломаная, а почти как непрерывная моменты времени t0, t1,Еtn распознается кривая. По сути, эта кривая является образ, строится его символ, положение аналогом траектории изображающей точки символа проверяется модулем BP. Далее в математической модели процесса.

будем предполагать, что если интервал Таким образом, вся подсистема, между кадрами (скважность) мал, то изображенная на рис. 2, разбита на две образы меняются мало, а их символы части, одна из которых обеспечивает близки.

первичный прогноз, а вторая предназначена На рис. 2 приведена схема покадрового для хранения полученных результатов и распознавания образов и формирования их прогноза уже известных событий. Такое символов в дискретные моменты времени разбиение полностью согласуется с t0, t1,Еtn. На рис. 2а присутствуют модули известной концепцией (см., например, проверки BP. Они существенно замедляют [11]), относящейся к функциям полушарий процесс формирования символов. Как головного мозга человека: одно из них следствие, скважность велика, и символы (правое) отвечает за восприятие новых могут быть расположены далеко друг от объектов (явлений, процессов), т.е.

друга. На схеме показана финальная обучается, в то время как другое (левое) Материалы XVI Международной конференции по нейрокибернетике хранит результаты обучения и реагирует на изображающей точки в математической уже известные явления (процессы). модели процесса. Этот факт позволяет Подчеркнем, что в правой части схемы ввести понятие континуального времени в (эта часть должна быть отнесена к левому данной части подсистемы прогноза.

полушарию) появляется возможность Подчеркнем, что понятие ввести понятие континуального континуального времени имеет смысл (непрерывного) времени. Это позволяет только в обученной подсистеме, где проводить интерполяцию и экстраполяцию переходы между символами текущих процесса во времени, т.е. осуществлять состояний являются плавными. В прогнозирование. В схеме на рис. 3а подсистеме первичного прогноза кадры (соотносится с правым полушарием) время воспринимаются как отдельные, воспринимается как дискретное, а при практически несвязанные картинки.

большой скважности теряются понятия до и после. Список литературы Отметим, что прогноз может оказаться 1. Чернавский Д.С., Карп В.П., Родштат И.В., ошибочным, если в какой-то момент извне Никитин А.П., Чернавская Н.М. Распознавание.

поступает противоречащая ему Аутодиагностика. Мышление. М.: Радиотехника, информация. Тогда процедура запоминания 2003.

процесса должна быть проведена заново. 2. Шамис А.С. Пути моделирования мышления. - М.: КомКнига, 2006.

Однако, как правило, эта новая информация 3. Ежов А.А., Шумский С.А. Нейрокомпьютинг и переводит процесс хотя и в другой, но уже его применения. - М.: МИФИ, 2008.

известный системе режим. В этом случае в 4. Карп В.П. Интеллектуальный анализ данных в правой части схемы необходимо вернуться проблеме построения решающих правил в тот момент времени, когда траектории классификации (на примере медицинской диагностики). // Новости искусственного процессов совпадают, и свернуть на Интеллекта. - 2006. - №2. - с.57.

другую траекторию. Сам процесс 5. Чернавский Д.С. Синергетика и информация:

УвозвратаФ требует от системы Динамическая теория информации. М.: Наука, 2001.

определенных и специфических усилий 6. Чернавская О.Д., Чернавский Д.С., Карп В.П., это может быть либо фрустрация (см. [3]), Никитин А.П., Рожило Я.А. Процесс мышления в контексте динамической теории информации. Часть либо какой-то другой режим, способный 1: основные цели и задачи мышления // Сложные УвстряхнутьФ систему Ч для человека системы, 2012, №1, стр 25-41.

таким способом является смех. Изложенное 7. Hopfield J.J. Neural networks and physical systems фактически представляет собой программу with emergent collective computational abilities.

реализации чувства юмора в системе PNAS,1982,79.

8. Grossberg S. Studies of Mind and Brain. Boston, нейропроцессоров, что согласуется с Riedel, 1982; The adaptive brain. North-Holland, идеологией работы [12].

Amsterdam 1987.

9. Чернавская О.Д., Чернавский Д.С., Карп В.П., 4. Заключение Никитин А.П. Процесс мышления в контексте динамической теории информации. Часть II:

Понятия лобраз и символ как инструменты Представлен один из возможных моделирования процесса мышления средствами вариантов подсистемы связанных нейрокомпьютинга.\\ Сложные Системы, 2012, №нейропроцессоров, позволяющий решать (в печати).

задачу прогнозирования. Эта подсистема 10. Чернавская О.Д., Чернавский Д.С., Никитин А.П.

разбита на две части, одна из которых О возможных механизмах формирования символов в системе связанных нейропроцессоров.\\ Доклад, обеспечивает первичный прогноз, а вторая представленный на ICNI-12.

предназначена для хранения полученных 11. Голдберг Э. Парадокс мудрости. М.: Поколение результатов и прогноза уже известных 2007.

событий.

12. Суслов И.М. Компьютерная модель чувства Отметим, что кривая прогноза, юмора. II. Реализация в нейросетях. // Биофизика, - 1992, т. 37, №2. с. 325-334.

получаемая в уже обученной подсистеме, по сути является аналогом траектории 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ ОПТИМИЗАЦИЯ НЕЙРОСЕТЕВОГО ПОДХОДА МЕТОДОМ ПОЛЯ ПОТЕНЦИАЛОВ В ЗАДАЧЕ НАВИГАЦИИ АВТОНОМНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ МОБИЛЬНЫХ РОБОТОВ Ю.В. Чернухин, П.А. Бутов, Ю.С. Доленко.

Таганрогский Технологический Институт Южного Федерального Университета tsure.lai@gmail.com It is proposed to consider the approach to the problem которого фронт волны возбуждения достиг of navigation of mobile robots, which combines the данного блока первым.

properties of the bionic control algorithm and the wellМозаику заблокированных и known potential field method, as well as an autonomous проводящих элементов нейросети будем mobile robotic platform developed for the experimental verification and investigation of the properties of neural представлять в виде поля потенциалов, network algorithms for navigation and the proposed которое определяется как функция approach in particular.

энергетических затрат при планировании перемещений робота в среде, зависящая от Предлагается к рассмотрению расстояний до препятствий (такую, что подход к решению задачи навигации результирующее поле будет лотталкивать мобильных роботов, совмещающий в себе робота от препятствий) [2] и коэффициента свойства бионического алгоритма проходимости данного конкретного управления и широко известного метода участка (см. рис.1). В предлагаемом поля потенциалов, а так же автономная подходе значение поля потенциалов для мобильная робототехническая платформа, каждого конкретного участка нейросетевой разработанная для экспериментальной модели внешней среды эквивалентно верификации и исследования свойств коэффициенту задержки волны нейросетевых алгоритмов навигации и возбуждения для нейроэлемента, предлагаемого подхода в частности.

соответствующего данному участку.

В основе предлагаемого подхода лежит использование нейронной сети формально-логического типа[1]. Данная нейронная сеть состоит из нейроэлементов, каждый из которых способен отражать три состояния участков внешней среды, а именно, лцелевой участок, препятствие, свободный участок с определенной степенью проходимости (эквивалент количества энергии, затрачиваемой при прохождении данного участка).

Принятие решения о направлении движения в каждом временном отрезке зависит от результатов распространения волн возбуждения, генерируемых нейронами - целями, блокируемых нейронами - препятствиями и задерживаемых на заданное время (кол-во итераций) нейронами - участками с Рис. 1. Загружаемая в нейронную сеть модель заданной степенью проходимости. Блок внешней среды, в которой - - нейроэлемент, воспроизводящий функцию цели, черным цветом принятия решений на каждом временном обозначены элементы - препятствия, а серым отрезке определяет оптимальное цветом с цифрами обозначены проводящие направление движения как направление, элементы с коэффициентами задержки волны соответствующее нейроэлементу, от возбуждения.

Материалы XVI Международной конференции по нейрокибернетике Метод поля потенциалов состояния). Адекватность модели внешней подразумевает вычисление градиента среды определяется системой восприятия потенциала для текущей конфигурации робота, составной частью которой является поля, в то время, как предлагаемый подход сенсорная подсистема.

заменяет математические вычисления В разработанной мобильной процессом распространения волны робототехнической платформе (см. рис. 2) возбуждения по нейронной сети на каждом сенсорная подсистема представлена тремя временном интервале. При этом, так как аналоговыми камерами. Каждая камера волны возбуждения распространяются от установлена на отдельном опорноцелевых объектов а фронт волны поворотном устройстве и имеет две возбуждения определяется в точке, степени свободы (поворачивается соответствующей текущему положению относительно горизонтальной и робота (текущей конфигурации в терминах вертикальной осей).

метода поля потенциалов), предлагаемый подход лишен проблемы попадания в локальные минимумы.

Таким образом, с одной стороны предлагаемый подход оптимизирует траекторию робота с точки зрения энергетических затрат, а с другой стороны, благодаря свойствам поля потенциалов, позволяет роботу двигаться не по кромке препятствий (с учетом их расширения), а на некотором расстоянии от них, что делает траекторию более гладкой и плавной.

Кроме того, предлагаемый подход позволяет учитывать участки различной степени проходимости (песок, трава, грязь и т.д.).

Стоит отметить, что предлагаемый подход индифферентен относительно Рис. 2. Внешний вид мобильной робототехнической архитектуры системы восприятия робота, платформы. Состоит из (снизу вверх):

1) шасси;

так как работает с конечным массивом 2) блок с бортовым микрокомпьютером и препятствий, целей и свободных участков.

четырехканальным устройством видеозахвата Реализация предлагаемого подхода может соединенными по интерфейсу USB 2.0;

быть как программной, так и аппаратной.

3) блок с коммутационными схемами и ПЛИС;

Очевидно, что быстродействие аппаратной 4) аналоговые видеокамеры, установленные на сервомоторы и подключенные шлейфами к реализации значительно выше, что коммутационному блоку.

особенно важно при построении мобильных платформ, передвигающихся в Камера, расположенная на крыше трехмерной среде (вода, воздух, космос), а корпуса робота, служит для поиска и не на плоскости. Аппаратная реализация на отслеживания (трекинга) цели. Нижняя базе ПЛИС упрощенной версии нейронной пара камер располагается так, чтобы иметь сети, лежащей в основе предлагаемого с одной стороны, как можно больший подхода, описана работе в [3].

суммарный угол обзора, а с другой Оптимальность принимаемых стороны, получать цельную картинку с решений предлагаемого подхода (и, как минимальной областью пересечения в результат, траектория движения робота), центре. Данная пара служит для напрямую зависит от адекватности и определения местоположения препятствий полноты сформированной модели внешней и свободных участков.

среды (модель загружается в нейронную Информация со всех камер сеть робота, и определяет ее последующие оцифровывается четырехканальным 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ устройством видеозахвата и передается в быть задействованы для построения подсистему формирования внутренней аппаратной управляющей нейронной сети модели внешней среды. Эта подсистема описанного типа.

Pages:     | 1 |   ...   | 46 | 47 | 48 | 49 | 50 |   ...   | 58 |    Книги по разным темам