Н.Н. Зиеп1, А.А. Жданов2

1 AO Интеллект (Москва, Россия)

2 Институт точной механики и вычислительной техники им. С. А. Лебедева РАН (Москва, Россия)

Постановка проблемы. В настоящее время нейросетевые способы построения интеллектуальных систем находятся в центре внимания специалистов. Одна из проблем, характерных для таких систем – определение конфигурации сети. Настоящая работа посвящена этой проблеме. Хорошо известны распознающие нейросети на основе нейронов – пороговых сумматоров. Однако существует также необходимость построения систем адаптивного управления, для которой актуальна проблема формирования эффективной конфигурации сетей.

Цель. Рассмотреть нейроноподобные сети, построенные на основе самообучаемых моделей нейронов, разработанных в рамках теории автономного адаптивного управления (ААУ).

Результаты. Предложены алгоритмы формирования эффективной конфигурации сетей на основе «дерева событий», вычисляющего наиболее вероятное направление роста сети нейронов, которые будут востребованы системой. Установлено, что в результате применения такого алгоритма увеличивается емкость системы распознавания при том же числе нейронов, что выражается в числе образов, которые такая система может автоматически сформировать.

Практическая значимость. Предлагаемый подход увеличивает общую эффективность системы управления. Показан прикладной пример применения алгоритмов роста с адаптивной системой управления коптером.

Зиеп Н.Н., Жданов А.А. Алгоритмы роста нейроноподобной сети в системе автономного адаптивного управления // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 6. С. 24−31. DOI: https://doi.org/10.18127/j19998554-202106-03

1. Жданов А.А. Автономный искусственный интеллект. М.: «Бином. Лаборатория знаний». 2008. 
2. Жданов А.А. Метод автономного адаптивного управления // Известия РАН. Теория и системы управления. 1999. № 5.  С. 127–134.
3. Жданов А.А. Формальная модель нейрона и нейросети в методологии автономного адаптивного управления. Сб. «Вопросы кибернетики». Научный совет по комплексной проблеме «Кибернетика» РАН. Выпуск 3. 1997. С. 258–274.
4. Zhdanov A.A., Ryadovikov A.V. Neuron Models in the Autonomous Adaptive Control Method // Optical Memory and Neural Network. 2000. V. 9. № 2. P. 115–132.
5. Крыжановский М.В. Принципы нейроноподобной реализации систем автономного адаптивного управления. Дисс….канд. ф.-м. наук. М.: 2004.
6. Жданов А.А., Крыжановский М.В., Преображенский Н.Б. Бионическая интеллектуальная адаптивная система управления мобильным роботом // Искусственный интеллект. 2002. Т. 4. С. 341–350.
7. Жданов А.А. О понятии автономного искусственного интеллекта // Сб. науч. трудов «Искусственный интеллект в технических системах». М.: Гос.ИФТП. 1997. С. 142–157.
8. Земских Л.В., Самаров Е.К., Жданов А.А., Бабкова В.В. Применение генетических алгоритмов для оптимизации адаптивной системы управления мобильного робота на параллельном вычислительном комплексе // Тр. Ин-та системного программирования. Т. 7: «Новые подходы в нейроноподобных и основанных на знаниях системах». М.: ИСП РАН. 2004.  С. 79–104.
9. O’Keefe J., Dostrovsky J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat // Brain Research. 1971. V. 34. P. 171–175.
10. Quiroga R.Q., Reddy L., Kreiman G., Koch C., Fried I. Invariant visual representation by single neurons in the human brain // Nature. 2005. V. 435 (7045). P. 1102–1107.