Моделирование сложных систем требует большого числа знаний об объекте, в том числе экспериментальных и экспертных. Для их обработки в последнее время широко используются нейронные сети, например:
моделирование отклика системы на внешнее воздействие;
классификация внутренних состояний системы;
прогноз динамики изменения системы;
оценка полноты описания системы и определение значимости параметров системы;
оптимизация параметров системы по отношению к заданной целевой функции;
управление системой.
В ряде случаев нейронные сети и физико-математические модели могут составлять единую модель, например, когда внешние условия описываются уравнениями кинетики, а отклик системы - нейронной сетью. Иногда используются гибридные нейронные модели, параметры которых являются нечеткими.
В основе теории нейронных сетей лежит желание воспроизвести функции мозга при решении конкретной задачи. Однако создающиеся системы не полностью воспроизводят функции мозга, а скорее представляют математическую модель, воспроизводящую отдельные возможности человеческого мозга, по аналогии с которым искусственные нейтронные сети характеризуются следующими свойствами:
обучение (т.е. изменение поведения в зависимости от окружающей среды);
обобщение (реакция сети после обучения будет, до известной степени, нечувствительна к малымизменениям входящих сигналов);
абстрагирование (способность выявления различий во входных сигналах).
Описание биологического нейрона.
Из нейробиологии известно, что человеческий мозг состоит из 1010-1011 нейронов. На рис. 8 схематично представлен один биологический нейрон. Он содержит клеточное тело и отростки (аксон и дендриты).
Клеточное тело состоит из ядра и окружающей его цитоплазмы. На внешней поверхности содержится мембрана, включающая три слоя. Она отделяет u1082 клеточное тело от окружающих его крайних окончаний аксона.
Аксон (выход) - отросток нейрона, который служит для передачи нервных импульсов к другим нейронам или эффекторным органам (мускульным волокна клеткам желез).
Ядро
Синапс
Аксон
Дендриты
Дендриты (входы) - отростки, которые связывают нейрон с другими нейронами. Связь осуществляется через специальные контакты, называемыми синапсами.
В упрощенном виде работу нейрона можно представить так. Клеточное тело принимает входной сигнал от других нейронов через синоптические связи дендритов, преобразует его и передает выходной сигнал через аксон другим нейронам. Скорость передачи зависит и от значений входных сигналов, и от силы синаптических связей. Несмотря на то, что функция нейрона - нелинейная, нейробиологи считают, что большинство нейронов производят линейную аппроксимацию, то есть выходной сигнал нейрона пропорционален, в некоторой степени, линейной комбинации значений входных сигналов.
СПИСОК ЛИТЕРАТУРЫ
1. Искусственный интеллект. Кн. 2: Модели и методы: Справочник / Под ред. Э.В. Попова. М.: Радио и связь, 1990. 303 с.
2. Левин Р., Дранг Д., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. М.: Финансы и статистика, 1990. 239 с.
3. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь. 1990. 376 с.
4. Экспертные системы в САПР: Лаб. раб. / Сост.: А.А. Кузнецов, О.П. Федосов. Тамбов: Тамб. гос.техн. ун-т. 1995. 33 с.
5. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР.М.: Энергоатомиздат, 1991. 264 с.
6. Заде Л. Основы нового подхода к анализу сложных систем и процессов принятия решения // Математика сегодня: Сб. ст. М.: Знание, 1974. 48 с.
7. Zimmerman H. J. Fuzzy Set Theory and its Applications. Boston etc. 1992.
8. Кафаров Б.Б., Дорохов И.Н., Марков Е.П. Системный анализ процессов химической технологии. Применение метода нечетких множеств. М.: Наука, 1986.
9. Кофман Л. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.
10. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986.
