А.Н.Аверкин "Идеи Д.А.Поспелова в развитии нечетких систем"

Аверкин Алексей Николаевич, кандидат
физ.-мат. наук., доцент, ВЦ им.
А.А.Дородницына, аverkin2003@inbox.ru
Нечеткое отношение моделирования - отношение, задаваемое
специальной коммутативной диаграммой, связывающей
элементы и операции одного множества с элементами и
операциями другого множества с помощью операторов,
характерных для нечеткой логики
Нечеткое отношение моделирования






Приведем общую схему преобразования информации, представленной
нечетким отношением моделирования. Основной целью обработки
нечеткой информации в виде отношения моделирования является
построение классификации по заданным отношениям моделирования.
В рамках решения этой задачи можно выделить следующие этапы:
преобразование отношения моделирования в отношение
моделирования другого типа (метод А);
преобразование отношения моделирования в отношение сходства
(метод Б);
преобразование отношения сходства в отношение эквивалентности
(метод В);
построение по отношению эквивалентности иерархической
классификации (метод Г).
R=> метод А => R1=> метод Б =>S1 => метод В => S=> метод Г
Преобразование информации на основе
нечеткого отношения моделирования
Принцип ситуативной инвариантности - для однородных
ситуаций 1 и 2 соответствующие отношения моделирования
получаются друг из друга монотонными преобразованиями
шкалы
Принцип ситуативной инвариантности
Москва находится близко от Дубны ( между ними умещается 3
диаметра Москвы)
Дубна находится далеко от Москвы ( между ними умещается 8
диаметров Дубны
Несимметричная псевдофизическая
пространственная логика
Д.А. Поспелов в 1977 предположил, что существует
универсальный инструмент, спрятанный в уме или языке
человека, который содержит универсальные когнитивные
образы для описания и различения полезных паттернов
окружающего мира. Введенные Л.Заде лингвистические термы
типа «большой», «маленький» и т.д. могут быть представлены
этими образами на Универсальной Шкале, хотя они имеют
различные значения в традиционных физических шкалах.
 «Универсальные Шкалы привели к разработке принципов
Когнитивной Относительности, Рациональности и Ясности
(CRRC). Они обеспечили создание само-организующихся
Систем Взаимодействующих Контекстных Систем (C2S)
способных моделировать поведение сложных
интеллектуальных систем и явлений. Это привело к созданию
новой концепции Эволюционно Вовлекающих
Интеллектуальных Систем (EI) , основанных на λ-интеллекте»
И.Ежкова

Универсальная шкала

Концепция «мягких» измерений является развитием нечеткого подхода к
формированию оценок измеряемых параметров. Она основана на применении
байесовых интеллектуальных измерений, объединяющих в себе черты
теоретико-вероятностного подхода, байсовского критерия принятия решений и
теории нечетких множеств. Фундаментальным понятием является
лингвистическая шкала, которая расширяет представление о традиционных
шкалах репрезентативной теории измерений. Основная идея заключается в
сопряжении лингвистической шкалы с основной за счет использования общего
метрического носителя, что позволяет формировать нечеткие измерения,
обработка которых выполняется с помощью «мягких» вычислений.

В традиционных «жестких» вычислениях главными целями являются точность,
определенность и строгость результата. В противоположность им при
организации «мягких» вычислений исходят из тезиса, что достижение этих
целей требует полного информационного описания всех элементов
вычислительного процесса, что в большинстве случаев приводит к большим
ресурсным и финансовым затратам или в принципе невозможно. Поэтому задача
«мягких» вычислений - обеспечение толерантности их результата по отношению
к неточности и неопределенности обрабатываемых информационных объектов.
Принципиальными компонентами таких вычислений являются нечеткие системы,
искусственные нейронные сети (ИНС) и эволюционные вычисления,
включающие, в частности, генетические алгоритмы
Концепция мягких вычислений
Беспроводные сенсорные сети
 Современные достижения микроэлектроники позволяют интегрировать
на одном кристалле как вычислительные блоки, так и все
необходимые устройства для поддержки беспроводных
сетейвстроенными средствами интеллектуальной обработки данных


Устройства данного класса содержат: программируемый
процессор,радиопередатчик, шину для размещения большого набора
аналоговых или цифровых сенсоров
 Направление является обобщением на случай вложенных,
распределенных, адаптивных систем концепции мягких измерений,
разработанной в ВЦ РАН и ЛЭТИ в 1997 г. Мягкие измерения возникли
на основе гибридизации методов мягких вычислений и
математической статистики для обработки результатов разнородных
измерений

Беспроводные сенсорные сети
Международный программный комитет
 Почетный председатель: проф. Л.А. Заде, США






Программный комитет
Председатель: проф. Д.А. Поспелов, Россия
Сопредседатели: акад. Н.П. Лаверов, проф.,
д.т.н. И.И. Мазур, Россия
Зам.председателя: д-р. А.Н. Аверкин, Россия
проф. С.В. Прокопчина, Россия
XII Международная конференция по
мягким вычислениям и измерениям
(SCM’2009)















Неопределенность в измерениях и вычислениях. Меры и шкалы.
Моделирование сложных систем.
Вероятностные методы в обработке информации. Байесовский подход.
Нечеткие множества, приближенные выводы и их приложения.
Перспективные информационные технологии и среды программирования для
сложных объектов и распределенных систем в условиях неопределенности.
Активные INTERNET-технологии.
Нейрокомпьютерные сети, генетические алгоритмы и их применения.
Новые подходы в измерениях: интеллектуальные, нечеткие и мягкие измерения.
Интеллектуальные измерительные системы и приборы.
Управление сложными объектами в условиях неопределенности.
Методы и средства проектирования экспертных систем и систем поддержки
принятия решений.
Приложения систем поддержки принятия решений в экономике и социальной
сфере.
Экологические информационные системы.
Применение мягких вычислений для оптимизации бизнес-процессов.
Применение Байесовских интеллектуальных технологий для контроля качества
Неопределенность и риски. Управление рисками.
Темы конференции
Конвергенция управления знаниями,
искусственного интеллекта и
когнитивной науки
Компьютерное моделирование верхнего слоя колонки
Маунткастла (neocortical columns) (узловые структуры
содержащие от 10 до 70 тысяч нейронов) мозга крысы. Здесь
возбуждённые нейроны подсвечены розовым, голубыми и
желтыми цветами (проект Blue Brain).
Визуализация взаимодействия блоггеров
Жизненный цикл знаний
Архитектура нейро-нечеткой
сети – инструмента извлечения
знаний

Однако и через 50 лет остаются задачи, которые человек
решает эффективнее, чем компьютер, хотя скорости
передачи сигналов в мозгу в миллион раз медленнее, чем
в компьютере. И механизмы мозга, участвующие в
решении этих задач, по-прежнему остаются
неразгаданными. Ясно лишь, что "компьютерная
метафора" (т. е. представление о мозге, как о
биологическом компьютере), сыграв важную роль в
первые годы существования ИИ, давно уже перестала
быть ведущей при исследовании информатики мозга, и
потому успехи в этих исследованиях должны принести
принципиально новые знания, существенно повышающие
возможности информатики.
О.П.Кузнецов
Связь ИИ и когнитивных наук
Биологическая и когнитивная обработка
информации

Основы биологической обработки
информации

Когнитивная наука

Психологические и нейрофизиологические
эксперименты

Нейросетевое моделирование
процессов обработки сенсорной
информации

Восприятие и обработка речи
Нейрокогнитивные технологии будущего
18
18
Нейрокогнитивные технологии будущего
The Decade of the Brain
(1990-2000)
"to enhance public awareness of the
benefits to be derived from brain
research“ (Congress of the USA)
The Decade of the Mind
(2010-2020?)
Proposal for a $4 billion 10-year US national
program to understand the mechanisms of mind.
The proposal is modeled after the Human Genome
project in structure and size.
19
19
3D визуальная лаборатория сканирования мозга человека
Нейробиологические различия оценок Джорджа Буша и
Джона Керри (А – негативная оценка Буша,
В – позитивная оценка Буша, С – негативная оценка
Керри)
Разница в работе мозга
демократов и республиканцев
при оценке Буша и Керри
НЕЙРОБИОЛОГИЯ СОЗНАНИЯ
и мозговые интерфейсы
• Системная специализация нейронов
A unit in the right anterior hippocampus that responds to pictures of the actress Halle Berry. This cell also
responds to a drawing of her, to herself dressed as Catwoman (a movie in which she played the lead role) and to
the letter string ‘Halle Berry’ (picture no. 96).
Quiroga et al., Nature 435 (2005) 1102-078


NBIC-конвергенция (по первым буквам областей: N нано; B -био; I -инфо; C -когно). Термин введен в 2002
г . Михаилом Роко и Уильямом Бейнбриджем, авторами
отчета Converging Technologies for Improving Human
Performance , подготовленного 2002 г . в Всемирном
центре оценки технологий (WTEC)
По аналогии, можно сказать, что синергетичекий
искусственный интеллект– конвергенция управления
знаниями (M-knowledge management), искусственного
интеллекта (AI) , и когнитивной науки (C) – MAICконвергенция.
Нейрокогнитивные технологии будущего
Отчёт Национального
научного фонда и
Министерства экономики
США о конвергенции 4-х
мегатехнологий:
«…В основе конвергенции технологий
лежит материальное единство мира на
наноуровне и его интеграция на более
высоких уровнях. »
Converging Technologies
for Improving Human Performance:
Nanotechnology, Biotechnology, Information Technology and Cognitive Science
2006
NSF/DOC-sponsored report
« Из четырех НБИК областей
когнитивная наука является наименее
зрелой, но по этой же причине она
несет и наибольшие обещания.
Развитие когнитивных технологий может
иметь наиболее заметные последствия
для общества в целом…»
26
26
• Нейроморфный искусственный
интеллект
Проблема
• По сравнению с
биологическими системами
интеллектуальные машины
в 1000 раз менее
эффективны в сложной
среде.
• Чтобы интеллектуальные
машины были бы полкзны
их нужно сочетать с
биологическими
системами.
Цель
• Развить технологию
электронные
нейроморфные машины
сравнимую с
биологоческим уровнем.
Human Cortex
Simulated Human
Cortex
15 Watts
1010 Watts
I Liter
4x 1010 Liters
von Neumann
Machines
[log]
A trade between
universality and
efficiency
Machine
Complexity
e.g. Gates;
Memory;
Neurons;
Synapses
Power;
Size
Neuromorphic
Machines
•Human level performance
•Dawn of a new age
Dawn of a new
paradigm
“simple”
Program Objective
“complex”
Environmental Complexity
e.g. Input Combinatorics
[log]