WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 40 | 41 || 43 | 44 |   ...   | 58 |

этих позиций наиболее приспособленным 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» является нейрокомпьютинг (НК), холинергической и адренергической систем применяющий различные системные в ц.н.с. [12]. На наш взгляд в этих подходы и стремящийся к целостному механизмах отражаются общие рассмотрению явлений и событий. В самоорганизующиеся свойства нейронной подтверждение необходимости системы, независимо от принадлежности её офтальмонейрокомпьютинга (ОНК) к афферентным или центральным можно привести пример гипппиуса зрачка образованиям. Образуются обратные связи, как отражение принципа двойной в том числе, N-кратно вложенные друг в реципрокности в пупиломоторной системе, друга с нейронами (на основе и подобный же эффект наблюдается в ЭЭГ: нейромоделей которых было предсказано действие эндоканнабиноидов за 15 лет до их официального открытия [13, 14]), включая в них, таким образом, синаптическую задержку и существенную Рис.1. Гиппиус зрачка как результат саморегуляции нелинейность, благодаря которым пупилломоторной системы [8]. Высокочастотная происходит переключение вида обратной составляющая сигнала обеспечивается холинергическим каналом, низкочастотная – связи с положительной на отрицательную и адренергическим.

обратно в зависимости от генерации ВПСП или ТПСП и соотношения их текущего В пограничных условиях при ярком уровня, что определяется, в свою очередь, световом фоне стимулируется частотами разрядов соответствующих парасимпатическая зона ретикулярной нейронов. Эти факты, в том числе, формации и в деятельности иннервации отражают уставание и депрессивный сфинктера наблюдается усиление характер реакций при больших частотах холинергической составляющей. В темноте возбуждающих стимулов при длительной ослабляется сигнал холинергического депрессии и длительной потенциации, то канала и адренергическая составляющая есть участие в механизмах памяти [15].

сигнала усиливается, рис. 1.

Холистическое представление мотонейронов и клеток Реншоу и сетей из таких комплексов позволяет также воспроизводить эффекты их функционирования, связанные с существенно неодновременным уставанием Рис.2. Медленная мультипликативная Е-волна ЭЭГ ожидания в височной и затылочной областях коры левого полушария.

На ЭЭГ на рис. 2 при выработке дифференцировочного торможения без подкрепления формируется ориентировочно-исследовательское поведение и выявляется мультипликация медленных колебаний ЭЭГ, отражающая процессы корково-подкорковой реверберации [9]. Подобные механизмы наблюдаются и в системах нейронов, в и наступлением депрессии.

частности в функционировании промоделированной нами нейросети Рис. 3. А, Б, В, Г, n – события внешнего мира; Р1 –Рединых комплексов “мотонейрон – клетка – промежуточные положительные (+) и Реншоу” [10], в механизмах действия отрицательные (–) результаты поведения по К. В.

объёмной нейропередачи (предсказанной Судакову [16].

нами за 8 лет до её открытия [11]), в самоорганизации переключения каналов Материалы XVI Международной конференции по нейрокибернетике мозга // Нейрокомпьютеры: разработка, применение, На поведенческом уровне подобная 2008, № 5-6, c. 4-17.

системная организация была показана и 5. Baar E., Karaka S. Neuroscience is awaiting for a breakthrough: An essay bridging the concepts of исследована К. В. Судаковым (рис. 3) в Descartes, Einstein, Heisenberg, Hebb and Hayek with виде кванта поведенческой деятельности the explanatory formulations // International Journal of [16]. Для сравнения приведён граф связей Psychophysiology, 2006, V. 60, # 2, P. 194-201.

6. Synofzik M., Vosgerau G., Newen A. I move, разностной схемы, соответствующий therefore I am: A new theoretical framework to нейромодели по [9, 17], рис. 4, investigate agency and ownership // Consciousness and Cognition, 2008, V. 17, # 2, P. 411-424.

моделирующей множественную 7. Rizzolatti G., Craighero L. The mirror-neuron реверберацию на клеточном а также более system. Annu. Rev.Neurosci. 2004, V. 27. P. 169общем уровне.

192;http://www.annualreviews.org/doi/abs/10./annurev.neuro.27.070203.8. Вельховер Е. С., Ананин В. Ф. Иридология. М.:

РУДН, 1992.

9. Колесников А. А., Жуков А. Г., СавельеваНовосёлова Н. А., Савельев А. В. Устройство для моделирования нейрона / А с. № 1425731, БИ № 35, 1988.

10. Савельев А. В. Устройство для моделирования нейрона / А. с. № 1292494, 1987.

11. Жуков А. Г., Колесников А. А., СавельеваРис. 4. Граф, соответствующий логической Новосёлова Н. А., Савельев А. В. Устройство для моделирования нейрона неокортекса // А. с. № структуре контакта клетки Пуркинье с лиановидном 1464181, приор. 14.01.87, БИ № 9, 1989.

волокном. Учитывается, что оно образует с клеткой 12. Савельев А. В., Савельева-Новосёлова Н. А., Пуркинье последовательную серию возбуждающих Колесников А. А., Жуков А. Г. Устройство для синапсов, количество тормозящих синапсов моделирования нейрона / А. с. № 1645973, БИ № 16, значительно меньше, причем, в отличие от 1991.

возбуждающих, они могут образовывать 13. Савельев А. В. Устройство для моделирования нейрона // А. с. № 1340421, 1985.

реципрокные связи; EPSP – вызванные 14. Савельев А. В. Предсказание постсинаптические потенциалы.

эндоканнабиноидов // в сб.: Искусственный интеллект. Интеллектуальные и многопроцессорные Выводы системы, Таганрог – Донецк – Минск, 2009, т. 2, с.

262-264.

15. Савельева-Новосёлова Н. А., Савельев А. В.

В силу фрактальности свойств можно Новая концепция субстрата долговременной нейронной памяти // 5 Международный сделать предположение о едином сходном Междисциплинарный Конгресс “Нейронаука для механизме в связи с чем необходимо медицины и психологии”, Судак, Крым, Украина, включение промежуточного звена, а 2009, С. 257-258.

16. Функциональные системы организма // под именно, рецепторных афферентов, ред. Судакова К. В. М.: Медицина, 1987, с. 106.

основным из которых является зрительная 17. Межецкая Т. А., Савельева- Новосёлова Н. А., Савельев А. В., Колесников А. А. Устройство для система [18-19]. Таким образом, моделирования нейрона Пуркинье // А.с. № 1497626, междисциплинарное объединение БИ № 18, 1989.

рассмотренных направлений [20-21] в 18. Савельева- Новосёлова Н. А., Савельев А. В.

Принципы офтальмонейроинформатики // офтальмонейрокомпьютинг могло бы быть Нейроинформатика, её приложения и анализ достаточно плодотворным и, вполне данных, Красноярск, 2009, С. 113-116.

Савельева-Новосёлова Н.А., Савельев А.В. Основания 19.

возможно, поможет продвинуть офтальмонейрокомпьютинга // В: Сб. материалов Х Всероссийской конференции разрешимость проблемы сознания и «Нейрокомпьютеры и их применение». — М: 2012, мышления. Работа выполнена при http://www.it.mgppu.ru/confnc2012/ 20. Колушов В.В., Савельев А.В. Методология финансовой поддержке РФФИ (гранты № индивидуально-коллективного моделирования 07-06-11003, № 08-06-11002).

нейронной биовозбудимости как новая нейрокомпьютерная парадигма // Нейрокомпьютеры: разработка и применение, М.:

Список литературы ИПРЖР, 2010, № 8, С. 40-47.

1. Иваницкий А.М. Сознание и мозг //В мире 21. Савельев А.В. Нейробиоуправление — новая науки, 2005, №11, С.3-11.

парадигма вычислительных нейроисследований // 2. http://ru.wikipedia.org/wiki/Абстрактное мышление Международный Междисциплинарный Конгресс 3. Davies J., Goel A. K., Nersessian N. J. A “Нейронаука для медицины и психологии”, Судак, computational model of visual analogies in design // Крым, Украина, 2012; http://brainres.ru.

Cognitive Syst. Res., 2009, V. 10, # 3, P. 204-215.

4. Савельев А. В. Критический анализ функциональной роли модульной организации 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» МОДЕЛИ АДАПТИВНОГО ПОВЕДЕНИЯ В ПРОСТРАНСТВЕ С НЕПОЛНОСТЬЮ НАБЛЮДАЕМЫМИ СОСТОЯНИЯМИ Г.М. Сергиевский НИЯУ МИФИ gms41@mail.ru We consider a program implemented models of adaptive путем с максимальной полезностью behavior, using as a source of formation of a " behavior является путь минимальной длины).

program," recorded "stories" of earlier passes along Некоторые вершины графа ВС "graph of opportunity" with not fully observable states.

помечены как заключительные, попадание Learning algorithms are implemented as a stochastic Finite State Machines, which provides while training в них означает завершение движения по increasing probability of selecting the path with графу с фиксацией накопленной maximum utility.

полезности.

В начальный момент агент, снабженный Конечно-автоматная модель начальным состоянием ПП, помещается в некоторую вершину (одну и ту же или Внешняя среда [1,2] описывается разные в зависимости от постановки конечным «графом возможностей», задачи) и совершает переходы до вершины которого соответствуют попадания в заключительную вершину.

объективным состояниям, в которых может Задача обучения состоит в инкрементной находиться агент во внешней среде, а дуги (т.е. после каждого прохода) оптимизации – тем действиям, которые он может ПП на основе использования результатов совершить в данном состоянии.

предыдущих проходов, которая должна Агент, помещенный в какую-либо обеспечить в пределе максимальную вершину, имеет возможность: увидеть вероятность выбора дуг, принадлежащих метку вершины и метки всех исходящих из наиболее короткому пути в данной вершины дуг (метки дуг заключительную вершину. Оценку выбираются из алфавита меток А и, в алгоритмов обучения естественно общем случае, могут совпадать для разных выполнять путем сравнения суммарной вершин); выбрать (выбор осуществляется в длины проходов, потребовавшихся для соответствии с текущим состоянием синтеза ПП с данным качеством работы программы поведения (ПП)) некоторую (средней длиной прохода в исходящую дугу для выполнения прохода заключительную вершину).

по ней в следующую вершину. Неполная Данная модель существенно обобщает наблюдаемость означает допустимость традиционную постановку задачи наличия одинаковых меток на разных моделирования адаптивного поведения, в вершинах (потенциально все вершины которой обычно [3,4] предполагается, что могут быть помечены одной и той же состояния внешней среды являются меткой).

полностью наблюдаемыми (агент знает, в Предполагается, что множество вершин каком состоянии он находится).

и дуг графа ВС помечены их Действительно, в принятых «полезностями» с точки зрения агента.

предположениях агент может многократно Совершая проход по выбранной дуге, агент посещать одну и ту же вершину графа, уменьшает (или увеличивает при рассматривая ее каждый раз как новую положительных полезностях) накопленную (например, посещение клеток на клеточном полезность на величину полезностей поле). Как не трудно видеть, алгоритм выбранной дуги и вершины, в которую обучения должен одновременно решать две совершен переход (для конкретности будем взаимоисключающие задачи: обеспечивать считать, что полезности всех дуг и вершин обследование графа на предмет поиска представлены одинаковыми кратчайшего пути в какую-либо отрицательными числами, что означает, что Материалы XVI Международной конференции по нейрокибернетике заключительную вершину и, одновременно, дуги на очередном шаге.

на каждом проходе минимизировать длину пути до заключительной вершины. Схема обучения ВС можно также описать в виде неизвестного конечного автомата Обучение имеет целью восстановление (лингвистического распознавателя А- неизвестного графа (функции переходов) языков с заданным начальным и ВС (по крайней мере, его подмножества, множеством заключительных состояний), содержащего оптимальный путь) и состоит описываемого рекуррентным из чередующихся этапов: выполнение соотношением: проходов по графу ВС - (П), построение истории выполненных проходов в форме q(n+1) = F(q(n), a(n)), графа переходов - (И) и оптимизация где: n – номер шага, q(n) – состояние текущего представления ПП - (О).

автомата на n-ом шаге, a(n) – метка В начальный момент С-граф состоит из выбранной на n-ом шаге дуги, а F(q,a) – единственной начальной вершины, функция переходов автомата, помеченной символом «» (неизвестная определяющая состояние на следующем вершина). Используя доступ к шаге в зависимости от текущего состояния наблюдению меток дуг, исходящих из и входного символа. Задача обучения начальной вершины графа ВС (в которой в состоит в поиске самой короткой цепочки данный момент находится агент), алгоритм (в общем случае – цепочки, обладающей обучения выполняет переименование метки наибольшей полезностью) аi1аi2….аin, «» - на уникальную метку, допускаемой автоматом (т.е. переводящей идентифицирую данную вершину С-графа.

автомат из начального состояния в Далее из этой вершины выполняется заключительное), а поиск выполняется на построение дуг, помеченных основе тестирования автомата путем наблюденными метками, ведущих во вновь генерации с помощью ПП входных цепочек созданные вершины «» (шаг И). Всем (которые, в конечном счете, будут построенным дугам присваивается допущены), используя при этом начальное распределение вероятностей информацию о допустимых на каждом выбора, задаваемое, как параметр шаге ее построения символах.

моделирования (например, равновероятное). Далее выполняется Спецификация программы поведения проход по выбранной дуге в графе ВС – (шаг П). Выполненный проход фиксируется Программа поведения также путем перехода по соответствующей дуге представляется аналогичным графом С-графа в вершину «» и ее последующего (называемым в дальнейшем С-графом допределения построением исходящих из (субъективным графом) или «графом нее дуг аналогично ранее рассмотренному переходов»), но обладающим другой шагу (И).

интерпретацией. С-граф рассматривается После достижения заключительной как граф переходов стохастического вершины выполняется этап оптимизации конечного автомата. Метки вершин построенного графа переходов. Она идентифицируют внутренние состояния состоит из двух шагов: пересчет автомата (они корреспондируются с вероятностей переходов и минимизация состояниями графа ВС и помечаются числа состояний графа переходов.

внутренними идентификаторами агента).

Pages:     | 1 |   ...   | 40 | 41 || 43 | 44 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.