- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
Методы адаптивного управления сегодня хорошо разработаны, главным образом, для объектов, описываемых линейными дифференциальными уравнениями с переменными коэффициентами. В то же время нелинейная природа нейронных сетей, их возможности к обучению с учетом реальных характеристик объекта делают их чрезвычайно перспективными для решения задач управления сложными нелинейными объектами. Механизм обучения НС позволяет учесть при этом нелинейную динамику объекта, вызванную неполнотой его известного математического описания, шумы измерений, резкие (структурные) возмущения и т.п. Целью обучения НС является уменьшение вектора ошибки , т.е. разности между вектором задающих воздействий, определяющим программу движения робота, и вектором фактических значений выходных координат . В случаеперемещения всех звеньев робота-манипулятора осуществляются по заданным (желаемым) траекториям.
Таким образом, применение НС обеспечивает возможность адаптивного управления нелинейным динамическим объектом за счет наличия в сети механизма настройки параметров (весов синаптических связей). Поскольку НС является по своей структуре распределенной вычислительной системой, то ее реализация в реальном времени (on-line) на ЭВМ параллельной архитектуры не потребует значительных временных затрат.
62. Нейрокомпьютер фирмы аас.
Американская фирма ААС (AccurateAutomationCorp.) разработала нейрокомпьютерный чип на базе MIMD - архитектуры (MultipleInstruction - MultipleData), позволяющей обеспечить функционирование группы чипов в параллельном режиме без снижения уровня их производительности. Нейрочип содержит 16-разрядный специализированный процессор, эмулирующий 8192 нейрона, а также память для хранения 32768 16-разрядных синоптических весов. Производительность нейрочипа 140 миллионов переключений в секунду. Одновременное использование 10 нейрочипов позволяет обеспечить производительность 1400 миллионов переключений в секунду.
Язык ассемблера нейрочипа содержит всего девять команд высокого уровня. Разработана шина межпроцессорных обменов, ориентированная на особенности выполнения нейроопераций. На рис. 32.15 представлена обобщенная схема нейрокомпьютера фирмы ААС.
Вместе с чипом поставляется пакет программного обеспечения, позволяющий реализовать основные виды нейронных сетей и наиболее распространенные алгоритмы обучения для этих сетей. При этом программное обеспечение оптимизируется с учетом параллельных вычислений. Чипы поставляются фирмой ААС на плате с контроллерами для ISA/VME - шин.
Нейрокомпьютер ААС (для VME-шины) был установлен на борту экспериментального галер звукового самолета со скоростью полета, в 5 раз превышающей скорость звука, названного LoFLYTE (Low-ObservableFlightTestExperiment). На бортовой нейрокомпьютер разработки фирмы ААС возлагаются функции управления полетом самолета (поскольку летчик оказывается не в состоянии управлять летательным аппаратом на таких скоростях), обеспечение управления полетом в случае неисправностей в работе системы управления .