ГИБРИДНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ: СИНЕРГИЯ СИГНАЛА, ЧИСЛА, СЛОВА И ПОНЯТИЯ Н.Г. Ярушкина Ульяновский государственный технический университет jng@ulstu.ru В современной нейроинформатике соотношение фундаментальных и технологических задач складывается в пользу технологических. Отметим, что фундаментальные задачи: моделирование ощущений, восприятий, распознавание образов, обучение и запоминание паттернов являются основными задачами когнитивной науки. Технологические задачи связаны с повышением эффективности использования нейронных сетей в решении задач кластеризации, классификации образов и сцен, аппроксимации функций для процессов технической, экономической, биологической природы. Достижения нейроинформатики в решении технологических задач привели к созданию целого спектра разнообразных нейронных сетей: сетей с прямым распространением сигнала, рекуррентных сетей, радиально базисных сетей. Созданы развитые архитектуры гибридных систем: нечетких нейронных сетей, нечетких нейронных с генетической настройкой параметров. Ситуация в нейроинформатике требует вернуться к фундаментальным когнитивным задачам и выяснить, позволяют ли новые классы нейронных и гибридных систем решать новые когнитивные задачи. Объектом анализа в представляемой работе служили нечеткие нейронные сети с генетической оптимизацией параметров, так как они обладают комплексной структурой и сложными алгоритмами обучения, интегрирующими структурные части различных нейронных сетей. Далее будем называть именно их гибридными системами. Гибридные системы включают в себя слои радиально базисных нейронов, логических нейронов, традиционных пороговых суммирующих нейронов. Алгоритм их обучения обычно комбинирует соревновательное обучение (по алгоритму победителя), генетическую оптимизацию параметров и классический метод обратного распространения ошибки [1]. Исследование известных архитектур гибридных систем и алгоритмов их обучения позволяет, по нашему мнению, считать их моделями, адекватно отражающими соотношение восприятия и логического умозаключения при когнитивной деятельности человека. При реальном решении задачи, человек комбинирует процессы мышления (компьютерный аналог – логический вывод), вспоминания (сознательное «внутреннее» возбуждение образа), восприятия окружающих предметов (распознавание) и, возможно, движения (управление телом). Обученная нечеткая нейронная сеть и хранит паттерны, и выполняет логические операции, так как содержит И-ИЛИнейроны, и переключается от распознавания на логический вывод, так как обычно включает в себя несколько отдельно обученных сетей с разными функциями. Таким образом, несмотря на то, что нечеткие нейронные сети созданы как нейро-нечеткие контроллеры для управления процессами, они могут служить когнитивной моделью для изучения взаимодействия процессов восприятия и мышления при когнитивной деятельности. Следующей особенностью гибридных систем является их принципиальная интерпретируемость, то есть как и всякая система логического вывода гибридная система объясняет свой результат с помощью обратного просмотра протокола применяемых вербализованных правил. Любая нечеткая нейронная сеть работает как система нечеткого логического вывода, но строится не с помощью инженерии знаний, а с помощью обучения по образцам. В результате матрица весов отражает силу связи входных и выходных переменных. Результатом обучения нечеткой нейронной сети служит не только матрица весов, но совокупность правил и оценок их достоверности. Следовательно, любая гибридная система является как минимум двухуровневой системой, включающей систему и метасистему, отражающую систему первого уровня. Исходя из сказанного, можно предложить нечеткие нейронные сети в качестве когнитивной модели соотношения сознательного (логического) и бессознательного (аналогового, вычислительного) процессов в решении интеллектуальной задачи. Таким образом, в нечеткой нейронной сети возможно сочетать манипулирование образами, заданными количественными параметрами, с преобразованием символов (слов). Такая возможность заложена в самой базовой конструкции теории нечетких множеств. Каждое нечеткое множество связывает слово, имя с порядковой или метрической шкалой с помощью функции принадлежности, т.е. количественно моделирует новое качество – смысл. Для всех классов нейронных сетей, в том числе гибридных систем, связь системы с окружением устанавливается с помощью обучающей выборки. Чем более полна и адекватна обучающая выборка, тем выше аппроксимирующая или классифицирующая способность нейронной сети после обучения. При использовании кроме классического метода обратного распространения сигнала, еще и генетического алгоритма обучения , гибридные системы получают еще один инструмент адаптации – функцию оптимальности генетического алгоритма, fitness-function. Генетические алгоритмы различных видов в основном используются в нейронных сетях и гибридных системах для оптимизации параметров функций принадлежности входных и выходных переменных. Но появляются работы, в которых генетический алгоритм выполняет структурный синтез нейронной сети, в частности, определяет тип сети, количество скрытых слоев и нейронов, выбирает функции оптимальности, то есть с помощью компьютерного моделирования можно наблюдать разработку (развитие) нейронной сети (когнитивной структуры) в ходе искусственно организованной эволюции. Таким образом, нечеткие нейронные сети с генетическом алгоритмом оптимизации структуры можно рассматривать, как перспективные модели компьютерного моделирования эволюции интеллекта. Эволюция интеллекта по современным представлениям может быть охарактеризована формулой: Моторика + Сенсорика + Безусловные рефлексы + условные рефлексы + инстинкты + мышление = интеллект. Взаимодействие всех названных в формуле систем подразумевает сочетание восприятия и логики. Вместе с тем, реализация решения интеллектуальных задач в ходе непрерывной эволюции интеллекта создала сложные структуры (мозг), огромное число элементов которых представляют собой взаимодействующую (синергетическую) систему. Гибридные системы позволяют изучать проявление таких когнитивных параметров порядка, как обучающие паттерны, в самоорганизующихся структурах. Перспективой развития самих гибридных систем считают разработку синергетического компьютера, построенного как взаимодействующая система. В то же время можно отметить работы, считающие синергетику перспективной моделью мозга. Следовательно, синергетический компьютер, как результат развития нейроинформатики и синергетическая модель мозга, как направление в когнитивной науке имеют возможность развиваться взаимодействуя, благодаря общему вектору развития. Литература: 1. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004.- 320 с. Ил. 2. Хакен Г. Тайны природы. Синергетика: учение о взаимодействии. Москва-Ижевск: Институт компьютерных исследований, 2003, 320 с. 3. Хакен Г., Хакен-Крелль М. Тайны восприятия. Синергетика как ключ к мозгу. Москва: Интститут компьютерных исследований, 2002, 320 с.