WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 41 | 42 || 44 | 45 |   ...   | 58 |

Для реализации первого шага для Метки на дугах интерпретируются, как каждой пройденной вершины генерируемые символы, подаваемые на подсчитывается ее «оценка достижимой вход распознавателя в данном такте (для полезности» (ОДП), рассчитываемой как простоты будем считать, что обозначения максимальное значение суммы полезностей дуг в обоих графах совпадают). Все вершин и дуг, которые нужно пройти из исходящие из каждого состояния дуги этой вершины для попадания в помечаются вероятностью выбора данной 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» заключительную вершину (ОДП вершины циклическим обходом одной и той же «» задается, как параметр моделирования). вершины графа ВС, данная процедура Эта полезность, дополняемая полезностью сформирует циклический С-граф, дуги, приписывается всем дугам, ведущим повторяющий контуры графа ВС.

в данную вершину. Таким образом, после На рис. 1 приведен пример графа ВС. В данной разметки дуги, исходящие из данном графе вершины являются каждой вершины графа переходов, неразличимыми для агента и имеют помечаются значениями ОДП, которые одинаковый идентификатор – А. Это можно достичь, выбрав данную дугу для соответствует наиболее сложному случаю, перехода из данной вершины. Очевидно, когда агент может различать состояния что оптимизации ПП вероятности выбора только по исходящим дугам. Полезности дуг, имеющих большее значение ОДП, вершин и дуг взяты равными - -0.1.

должна быть выше. Поскольку полезность Начальная вершина помечена пройденных вершин может быть больше, треугольником, заключительная – чем полезность вершины «», будет решеткой.

происходить соответствующий пересчет вероятностей выбора дуг в каждой пройденной вершине. Правило пересчета также является параметром модели – можно выделить более «консервативные» стратегии, в которых вероятность выбора дуг с большим значением ОДП растет быстрее, и более «рискованные», в которых – медленнее. Не трудно сделать вывод, что поскольку данный алгоритм реализует, по Рис. 1 Пример графа ВС существу, стратегию динамического Результаты моделирования обучения для программирования, он позволяет примера графа ВС, приведенного на рис. 1, гарантировать в пределе единичные показаны на рис. 2. На этом рисунке значения вероятностей выбора дуг, лежащих на представлена зависимость длины пути для оптимальном пути.

достижения заключительной вершины в Однако, данный способ оптимизации не некоторой серии модельного эксперимента является достаточным, так как из-за не (минимальная длина равна 4).

полной наблюдаемости состояний найденный с помощью первого способа оптимальный путь может содержать циклы.

Поскольку С-граф может рассматриваться (и действительно представляет собой) граф переходов стохастического конечного автомата, к нему применимы трансформации, разработанные для конечных автоматов данного типа.

Используемая в модели процедура минимизации не полностью определенного Рис. 2 Результаты модельного эксперимента лингвистического автомата, названа На основе результатов экспериментов автором процедурой «обратного можно выделить следующую тенденцию.

склеивания». В соответствии с данной При первых проходах агент выбирает процедурой склеиваются вершины, из неоптимальные маршруты, но далее, по которых одинаково помеченные дуги ведут мере изучения лабиринта, агент находит в одни и те же состояния (при этом более короткие пути в заключительную вершина «» может отождествляться с вершину. Впоследствии, в основном любым состоянием). Нетрудно видеть, что выбирая их, агент лишь иногда исследует отождествляя вершины, порожденные новые маршруты. В большинстве Материалы XVI Международной конференции по нейрокибернетике экспериментов в результате обучения оптимальному управлению синтезированный граф переходов технологическим процессом, заданным оказывался тождественным графу ВС. рекурентным уравнением, на основе Задача обучения становится доступа к «наблюдаемым» показателям), существенно более сложной, если может быть представлена в следующей начальное состояние в каждом проходе постановке:

выбирается случайно. Если агент не имеет q(n+1) = F(q(n), a(n), х), никакой априорной информации о графе b(n) = G(q(n),х) ВС, то обучение с помощью рассмотренного алгоритма (и, скорее всего, где: х – вектор случайных параметров, b(n) в общем случае) невозможно. На момент – вектор наблюдаемых параметров, подготовки доклада выполняются позволяющих получить опосредованную модельные эксперименты со случайным информацию о текущем состоянии ВС и выбором начального состояния при значениях х (эти значения формируются условии предварительной обученности неизвестной функцией G(q,х)), а целевые агента в ранее рассмотренной постановке. состояния определяется предикатом, В указанных экспериментах исследуется определенным на b(n). Соответственно, поведение агента на способность усложняется представление ПП. В этом «идентифицировать» состояние по мере случае оптимальный выходной сигнал движения по графу ВС. Применяемый (сигнал управления), вырабатываемый алгоритм обобщает ранее определенную синтезируемым автоматом, не процедуру выбора дуги на очередном шаге, привязывается однозначно (через механизм используя «метод голосования». После перераспределения вероятностей) к получения информации о метке и о дугах, состоянию, а определяется для каждого исходящих из текущей вершины (в состояния на основе синтезируемого по начальный момент - начальной) в текущем примерам отображения Нq: В -> А, где В и множестве активных вершин (МАВ) (в А – множества значений наблюдаемых начальный момент – все множество) параметров и выходных сигналов происходит активизация всех вершин, синтезируемого автомата соответственно.

имеющих такую же метку вершины и Автор выражает благодарность набор меток исходящих дуг. Для прохода студенту-дипломнику Виталию Лобачеву выбирается та метка дуги, за которую за программную реализацию «проголосовало» наибольшее количество рассмотренных моделей и выполнение активизированных вершин (например, по модельных экспериментов на ее основе.

правилу - сумма значений вероятностей Список литературы выбора которых максимальна).

1. Сергиевский Г.М. Проблемы и подходы к Параллельно с проходом по данной дуге в моделированию обучения: Труды конф. Нелинейная графе ВС, выполняется проход в С-графе, динамика в когнитивных исследованиях- 2011, формируя новое множество МАВ. Случай, Нижний Новгород, ИПФ РАН, 184-186 с.

когда МАВ сокращается до одной вершины 2. Сергиевский Г. М. Моделирование этапов еще до достижения заключительной обучения сложным символьным преобразованиям на основе концепции индуктивного синтеза вершины, означает, что агент программ Сб. трудов Актуальные вопросы идентифицировал вершину, в которой он нейрологии, нейроинформатики и когнитивных находится.

исследований, М:. МИФИ 2010 г. стр. 101 – 3. Рассел С, Норвиг П. Искусственный интеллект, Обобщенная модель современный подход. Спб.: «Вильямс, 2006» с -1042.

Более общая модель, позволяющая 4. В.Г. Редько Проблемы адаптивного поведения существенно расширить возможности ее и подходы к моделированию мышления применения для моделирования обучения (вступительная статья), http://www.wsni2003.narod.ru/Intro.htm оптимальному поведению (например, 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» ПРИМЕНЕНИЕ МЕТОДА МАГУ ДЛЯ ПЕРЕЧИСЛЕНИЯ УСТОЙЧИВЫХ МОЗАИК НЕЙРОННОЙ АКТИВНОСТИ В КОМБИНАТОРНОЙ МОДЕЛИ ЭЛЕМЕНТАРНОГО ВОЗБУДИТЕЛЬНОТОРМОЗНОГО ДИВЕРГЕНТНОГО НЕЙРОННОГО АНСАМБЛЯ В.П. Скорняков, А.В. Шурыгина Научно-исследовательский институт нейрокибернетики им. А.Б. Когана skorny@mail.ru The theorem about one-to-one correspondence between ансамбля. В работе используется steady-state markings of a combinatorial model and комбинаторная модель, описанная в [3].

intrinsically steady-state maximal sets was formulated and proved. These intrinsically steady-state maximal Постановка задачи sets consist of excited inhibitory nodes. The usage of the Maghout method was shown on example.Магу.

Перечислить устойчивые разметки Введение для комбинаторной сети, являющейся моделью элементарного дивергентного В реальном строении мозга часто ансамбля с одним возбудительным встречается дивергентный ансамбль. По пресинаптическим нейроном и множеством мнению ученых[1], занимающихся тормозных постсинаптических нейронов, исследованием нейронной активности связанных произвольной системой коры головного мозга, интересной взаимных тормозных связей.

особенностью инфраструктуры коры Структура модели – имеется один является наличие реципрокных тормозных возбудительный нейрон – вершина сетей нейронов, играющих существенную ориентированного графа G, с петлей, и функциональную роль наряду с множество тормозных нейронов – вершин возбудительными нейронами. В данной ориентированного графа G, в каждый из работе строится комбинаторно-сетевая которых идет дуга из возбудительного.

модель подобного рода корковых Тормозные нейроны связаны произвольной нейронных сетей и для них решается системой сильных взаимных тормозных задача перечисления устойчивых мозаик связей. Вес каждой дуги, исходящей из нейронной активности. Наиболее простым возбудительного нейрона, меньше любого и очевидным способом решения задачи из весов дуг, исходящих из тормозных перечисления устойчивых мозаик нейронов. Например, рис.1.

нейронной активности, для подобного рода моделей, является генерирование полного множества мозаик и выбор из него подмножества устойчивых. Данный процесс является ресурсоемким, следовательно, не применимым для моделей приближенным к реальным нейронным ансамблям. В математическом разделе теории графов описан метод Магу [2] для нахождения всех максимальных внутренне устойчивых подмножеств.

Целью данной работы является Рисунок 1. Пример комбинаторной сети модели обоснование применения метода Магу для элементарного возбудительно-тормозного перечисления устойчивых мозаик дивергентного нейронного ансамбля. Светлым нейронной активности в комбинаторной кругом обозначен возбудительный нейрон, темными кругами обозначены тормозные нейроны.

модели элементарного возбудительно- тормозного дивергентного нейронного Материалы XVI Международной конференции по нейрокибернетике Методы решения Отсюда следует, что устойчивая разметка не содержит возбужденных тормозных Возможны три различных случая: элементов. Пусть y2 – произвольный 1) Пресинаптический нейрон заторможен в тормозный элемент, заторможенный в разметке; 2) Пресинаптический нейрон не разметке M, т.е. M (y2) = 0. Так как вовлечен в разметке; 3)Пресинаптический устойчивые разметки не содержат нейрон возбужден в разметке.

возбудительных тормозных элементов, а Рассмотрим первый случай. Требуется возбудительный нейрон не вовлечен, то найти все устойчивые разметки, в которых (y2) = 0, следовательно (y2) = N.

M M пресинаптический нейрон заторможен или Так как y2 – произвольный, получаем, что доказать, что таковых не существует.

любая разметка, не содержащая Обозначим через элемент x1 – возбужденных тормозных элементов и Пресинаптический нейрон. Возьмем содержащая хотя бы один заторможенный некоторую разметку M, в которой элемент тормозный нейрон неустойчива. Доказали, x1 заторможен. Определим действие что устойчивая разметка не должна разметки M на элемент x1: (x1) = 0, так M содержать возбужденных или как нет дуг, заходящих в вершину x1 и заторможенных тормозных элементов.

исходящих из возбужденных в данной Рассмотрим разметку, в которой все разметки элементов. Отсюда следует, что элементы не вовлечены. Пусть y3 – символическое действие разметки M, произвольный тормозный элемент, не M(x1) = N, то есть действие разметки не вовлеченный в данной разметке совпадает с символическим действием M (y3) = N. Действие разметки:

разметки, следовательно, элемент x(y3) = 0 откуда символическое действие M входит в разметку M неустойчиво. Так как разметки ( y3) = N, следовательно, разметка M, произвольная разметка с M заторможенным элементом x1, то, в элемент устойчив в данной разметке. Так данном случае устойчивых разметок не как y3 произвольный элемент, то такая существует. разметка устойчива. Получается, что в Рассмотрим второй случай. данном случае, когда Пресинаптический Пресинаптический нейрон не вовлечен в нейрон не вовлечен, существует разметке. Требуется найти все устойчивые единственная устойчивая разметка, в разметки, в которых элемент которой все элементы не вовлечены.

соответствующий Пресинаптическому Рассмотрим третий случай.

нейрону не вовлечен. Пусть x – Пресинаптический нейрон возбужден.

Пресинаптический нейрон, M – Определение графа по Бержу [4] – граф G произвольная разметка, в которой M(x) = это пара: множество вершин графа X и отображение (многозначное) Г, N.M(x) = N, (x) = 0,M (x) = N x X M : X (X ), где P(X) множество входит в разметку устойчиво. Пусть y1 – подмножеств X. Запись y x означает, произвольный тормозный элемент, y x x что из вершины исходит дуга (, ) и возбужденный в разметке M. ( y1) 0, M y заходит в вершину. Пусть A = {a,b,c} так как в него не заходит ни одной дуги, тогда A = a b c. Пусть задан граф исходящей из возбудительного, возбужденного в данной разметке gG = (,); подмножество S называется элемента. Получаем M (y1) = 0 или внутренне устойчивым, если S S = 0.

M (y1) = N для любого тормозного Максимальное внутренне устойчивое элемента, возбужденного в данной подмножество это внутренне устойчивое разметке, следовательно, любая разметка в подмножество, не являющееся которой существует хотя бы один собственным подмножеством никакого возбужденный тормозный элемент и в другого внутренне устойчивого которой M(x) = N является неустойчивой.

подмножества [2]. Докажем, что 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» существует взаимно-однозначное устойчивой разметки является внутренне соответствие между внутренне устойчивым множеством. Докажем, что S устойчивыми подмножествами и максимально, т.е. S нельзя пополнить.

устойчивыми разметками для данного вида Предположим, что это не так, т.е.

Pages:     | 1 |   ...   | 41 | 42 || 44 | 45 |   ...   | 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.