23. Социально-биологический подход к моделированию интеллекта. Агенты

В нейронных моделях интеллекта упор делается на способность мозга адаптироваться к миру, в котором он существует, с помощью изменений связей между отдельными нейронами. Знание в таких системах не выражается явными логическими конструкциями, а представляется в неявной форме, как свойство конфигураций таких взаимосвязей.

В разработках искусственной жизни и генетических алгоритмов принципы биологической эволюции применяются для решения сложных проблем. Такие программы не решают задачи посредством логических рассуждений. Они порождают популяции соревнующихся между собой решений кандидатов и заставляют их совершенствоваться с помощью процессов, имитирующих биологическую эволюцию: неудачные кандидаты на решения отмирают, в то время как подающие надежды выживают и воспроизводятся путем создания новых решений из частей "успешных" родителей.

Социальные системы дают еще одно модельное представление интеллекта с помощью глобального поведения, которое позволяет им решать проблемы, которые бы не удалось решить отдельным их членам.

Эти примеры имеют два общих аспекта. Во-первых, корни интеллекта связаны с культурой и обществом, а следовательно, разум является эмерджентным (emergent). Во-вторых, разумное поведение формируется совместными действиями большого числа очень простых взаимодействующих полуавтономных индивидуумов, или агентов. Являются агенты нервными клетками, индивидуальными особями биологического вида или же отдельными личностями в обществе, их взаимодействие создает интеллект.

Одним из основных понятий эмерджентности является агент (объект с достаточно простым поведением). Множество таких агентов образуют систему с достаточно сложным поведением. С такой точки зрения интеллект эмерджентен, т.е. образует новые свойства, отсутствующие у его элементов.

Основные аспекты агентских взглядов на интеллект:

1. Агенты автономны или полу автономны

2. Агенты являются внедрёнными

3. Агенты взаимодействуют

4. Сообщество агентов структурировано

24. Нейронные сети: обучение с учителем

Нейронная сеть состоит из множества одинаковых элементов — нейронов, поэтому начнем с них рассмотрение работы искусственной нейронной сети.

Биологический нейрон моделируется как устройство, имеющее несколько входов (дендриты), и один выход (аксон). Каждому входу ставится в соответствие некоторый весовой коэффициент (w), характеризующий пропускную способность канала и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. В зависимости от конкретной реализации, обрабатываемые нейроном сигналы могут быть аналоговыми или цифровыми (1 или 0). В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции нейрона.

Технология обучения с учителем НС предполагает наличие двух однотипных множеств:

• множество учебных примеров - используется для ''настройки'' НС

• множество контрольных примеров - используется для оценки качества работы НС

Элементами этих двух множеств есть пары , где

• - входной вектор для обучаемой НС;

• - верный (желаемый) выходной вектор для ;

Метод обучения Видроу-Хоффа известен еще как дельта-правило (delta-rule). Этот метод ставит своей целью минимизацию функции ошибки в пространстве весовых коэффициентов.

(3) где

• - количество обработанных НС примеров

• - ошибка для -го примера

• - реальный выход НС для -го примера

• - желаемый (идеальный) выход НС для -го примера

Минимизация осуществляется методом градиентного спуска

где

Таким образом весовые коэффициенты изменяются по правилу

(4)

Полный алгоритм обучения методом Видроу-Хоффа строится следующим образом:

1. задать скорость обучения ( ) задать минимальную ошибку сети ; весовые коэффициенты НС инициализируются малыми случайными значениями.

2. подать на вход НС очередной учебный пример рассчитать выход НС

3. скорректировать веса

4. цикл с п.2 пока (где - суммарная среднеквадратичная ошибка НС)