- •Введение
- •1. Искусственный интеллект в роботах
- •1.1. Обеспечение взаимодействия системы управления с человеком
- •1.2. Схема интеллектуального управления в робототехнических комплексах
- •1.3. Интеллектуальное программирование и интеллектуальный интерфейс
- •1.4. Организация интеллектуальных систем
- •2. Экспертные системы
- •2.1. Структура экспертных систем
- •2.2. Технология разработки экспертных систем
- •2.3. Механизм вывода в экспертных системах
- •2.4. Методы поиска решений в экспертных системах
- •2.5. Поиск в одном пространстве состояний
- •2.6. Поиск решения методом редукции
- •2.7. Поиск решения во множестве факторизованных пространств
- •2.8. Поиск в фиксированном множестве пространств
- •2.9. Поиск в изменяющемся множестве пространств (метод нисходящего уточнения)
- •2.10. Поиск в альтернативных пространствах
- •2.11. Поиск с использованием нескольких моделей
- •3. Представление знаний в системах
- •3.1. Продукционные системы
- •3.2. Системы поиска на основе классической логики
- •3.3. Использование логики предикатов первого порядка при представлении знаний
- •3.4. Использование фреймов при представлении данных
- •3.5. Семантические сети
- •4. Нейронные сети в системах искусственного интеллекта
- •4.1. Области применения нейронных сетей
- •4.2. Персептронные нейронные сети
- •4.3. Обучение персептронных сетей
- •4.4. Сети встречного распространения
- •4.5. Обучение нейронных сетей методом обратного распространения ошибки
- •4.6. Обучение без учителя
- •4.7. Сети без обучения
- •4.8. Нейронные сети с радиальными базисными функциями (вероятностные сети)
- •4.9. Коллективы нейронных сетей
- •4.10. Аппаратно-программные средства реализации нейронных сетей для задач робототехники
- •2. Использование сетей для распознавания речи
- •3. Использование сетей для формирования законов управления
- •5. Методы нечеткой логики в интеллектуальных системах
- •5.1. Логические операции над нечеткими множествами
- •5.2. Получение выводов в нечеткой логике
- •5.3. Алгоритмы поиска решения в нечеткой логике
- •Заключение
- •Библиографический список
- •394026 Воронеж, Московский просп., 14
2. Использование сетей для распознавания речи
При распознавании речи часто используется алгоритм линейного предсказания. Он заключается в том, что по ряду дискретных отсчетов можно предсказать какое созвучие (фонема) будет произнесено. Реализация алгоритма выполняется с помощью следующих аппаратных средств (рис.22):
1) АЦП с частотой тактирования (отсчета) 100 кГц и более;
2) сдвиговых регистров в качестве буферной памяти для последовательных отсчетов и нейронных сетей, которые по группе отсчетов формируют выходные состояния, соответствующие фонемам (созвучиям).
НС
АЦП
FIFO
НС
Рис. 22. Структура системы распознавания речи на основе коллектива нейронных сетей
3. Использование сетей для формирования законов управления
В качестве элементов управления нейронные сети используются как формирователи управляющих воздействий на основе входных данных, описывающих объект управления. В частности, при управлении перемещениями входными данными являются рассогласования в заданных и реальных координатах и производные от этих рассогласований. Нейросетевой регулятор, получив эти данные, формирует величину, корректирующую управляющее воздействие.
Нейросетевой регулятор представляет собой многослойную сеть, число входов которой должно быть рассчитано на получение информации в виде бинарных кодов с разрядов 10-12 для трех параметров (рассогласование, I и II производная от
53
рассогласования) и числом выходов, равным разрядности представления управляющих воздействий. Обучение сети выполняется по диапазону возможных рассогласований, которые разбиваются на некоторое достаточно большое количество образцов.
5. Методы нечеткой логики в интеллектуальных системах
В точных методах оценки величин и событий они образуют универсальное множество E. Каждый элемент этого множества может иметь признак A с истинностью 0 или 1, что представляется функцией принадлежности MA=[0,1]. Таким образом, подмножество А представляет собой упорядоченный набор пар, одна составляющая которых – признак; вторая – 0 или 1. В нечеткой логике функция принадлежности может принимать любые значения. И таким образом нечеткое множество представляет собой набор пар из признаков и значений функции принадлежности.Например, для набора x1 – x4 указывается значение функции принадлежности:
x1 |
x2 |
x3 |
x4 |
0,3 |
0,4 |
0,1 |
0 |
В запись нечеткого множества соответствующей таблице имеет вид
В технических системах функции принадлежности обычно имеют аналитическое представление. Наиболее распространенными функциями принадлежности являются:
треугольная: , (рис.23,а)
трапециидальная: , (рис.23,б)
54
гауссова: , (рис.23,в)
M
a b x
a
M
a b c d x
б
M
x
a
в
Рис. 23. Типовые функции принадлежности нечетких множеств