С.Л. Подвальный - д.т.н., профессор, зав. кафедрой автоматизированных и вычислительных систем, Воронежский государственный технический университет E-mail: spodvalny@yandex.ru Е.М. Васильев - к.т.н., доцент, кафедра автоматики и информатики в технических системах, Воронежский государственный технический университет E-mail: vgtu-aits@yandex.ru

Рассмотрены вопросы построения интеллектуальных систем, в основе которых используются искусственные нейронные сети. Обсуждены принципиальные несоответствия свойств искусственных нейросетей и их биологических прототипов. Показано, что основной причиной этих несоответствий является структурная неизменяемость нейросетевых моделей в процессе обучения, то есть их пассивность. Опираясь на современные представления о биологической нервной системе как о структурном ансамбле нервных клеток, предлагается отказаться от попыток имитации ее работы на уровне процессов функционирования элементарных нейронов и перейти к воспроизведению информационной структуры хранения и обработки информации на основе достаточно общих эволюционных принципов многоальтернативности: многоуровневости, многообразия и модульности. Предложен конкретный способ реализации этих принципов, использующий фасетную организацию памяти в нейросети с перестраиваемой, активной структурой. Приведен пример реализации активной нейросети фасетного типа в интеллектуальной системе принятия решений при возникновении критических событий в электрической распределительной системе.

 

1. Винер Н. Кибернетика или управление и связь в животном и машине. М.: Наука. 1983. 344 с.
2. Эшби У.Р. Введение в кибернетику. М.: УРСС. 2006. 432 с.
3. Анохин П.К. Системные механизмы высшей нервной деятельности. М.: Наука. 1979. 453 с.
4. Карпенков С.Х. Концепции современного естествознания. М.: Академический Проект. 2003. 640 с.
5. McCulloch W.A., Pitts W. A logical calculus of the ideas immanent in nervous activity // The Bulletin of Mathematical Biophysics. 1943. № 5. P. 115-133.
6. Мак-Каллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Нейронные сети: история развития теории. М.: Радиотехника. 2001. С. 5-22.
7. Редько В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. М.: Либроком. 2013. 224 с.
8. Шамис А.Л. Пути моделирования мышления. М.: Комкнига. 2006. 336 с.
9. Подвальный С.Л. Эволюционные принципы формирования структуры вычислительных систем // Адаптация в сложных системах управления: сб. науч. тр. Воронеж: Воронежский политехнический институт. 1979. С. 60-63.
10. Подвальный С.Л. Многоальтернативные системы: обзор и классификация // Системы управления и информационные технологии. 2012. Т. 48. № 2. С. 4-13.
11. Подвальный С.Л., Васильев Е.М. Многоальтернативное управление открытыми системами: концепция, состояние и перспективы // Управление большими системами. 2014. № 48. С. 6-58.
12. Podvalny S.L., Vasiljev E.M. Evolutionary principles for construction of intellectual systems of multi-alternative control // Automation and Remote Control. 2015. V. 76. № 2. P. 311-317.
13. Дли М.И., Круглов В.В. Нечеткая логика и искусственные нейронные сети. М.: Физматлит. 2001. 224 с.
14. Круглов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком. 2001. 382 с.
15. Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006. 1104 с.
16. Чернодуб А.Н., Дзюба Д.А. Обзор методов нейроуправления // Проблемы программирования. 2011. № 2. С. 79-94.
17. Васильев Е.М., Меренков В.В. Метаэвристический алгоритм обучения нейронных сетей // Электротехнические комплексы и системы управления. 2009. № 3. С. 56-59.
18. Ткалич С.А., Васильев Е.М. Основания и возможности использования искусственных нейросетей в системах прогнозирования // Электротехнические комплексы и системы управления. 2008. №2. С. 37-38.
19. Мануковская М.М., Васильев Е.М. Активные нейросетевые модели принятия решений // Электротехнические комплексы и системы управления. 2008. № 4. С. 76-78.
20. Jandel M. Biologically relevant neural network architectures for support vector machines // Neural Networks. 2014. № 49. P. 39-50.
21. Schittenkopf C., Deco G., Brauer W. Two Strategies to Avoid Overfitting in Feedforward Networks // Neural Networks. 1997. V. 10. № 3. P. 505-516.
22. Weng J., Luwang T., Lu H., Xue X. Multilayer in-place learning networks for modeling functional layers in the laminar cortex // Neural Networks . 2008. № 21. P. 150-159.
23. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer-Verlag. 2009. 746 p.
24. Подвальный С.Л., Васильев Е.М. Модели многоальтернативного управления и принятия решений в сложных системах // Системы управления и информационные технологии. 2014. Т. 56. № 2.1. С. 169-173.
25. Подвальный С.Л., Васильев Е.М. Интеллектуальные системы многоальтернативного управления: принципы построения и пути реализации // XII Всероссийское совещание по проблемам управления ВСПУ-2014. Институт проблем управления им. В.А. Трапезникова РАН: труды. (Москва, 16-19 июня 2014 г.). М.: ИПУ РАН. 2014. С. 996-1007.
26. Мышев А.В. Информационная модель нейросети в технологиях вычислительного интеллекта и формах реализации компьютинга // Нейрокомпьютеры: разработка, применение. 2011. № 10. С. 3-12.
27. Мышев А.В. Реконфигурируемые виртуальные потоковые вычислительные системы на основе информационной модели нейросети // XII Всероссийское совещание по проблемам управления ВСПУ-2014. Институт проблем управления им. В.А. Трапезникова РАН: труды. (Москва, 16-19 июня 2014 г.). М.: ИПУ РАН. 2014. С. 7307-7318.
28. Мугатина В.М., Васильев Е.М. Нейро-информационные структуры в системах принятия решений // Современные методы прикладной математики, теории управления и компьютерных технологий: сб. науч. тр. VII Междунар. конф. ПМТУКТ-2014. Воронеж: Научная книга, 2014. С. 265-268.
29. Васильев Е.М., Говоров Р.А. Активная нейросетевая модель управления критическими объектами // Вестник Воронежского государственного технического университета. 2015. Т. 11. № 3. С. 31-36.