Нейро-автоматное управление

Содержание
Автоматное программирование
Нейросети и их использование
М-автоматы
Расширенное состояние
Применение

Искусственный интеллект
Нисходящий подход:
Экспертные системы
Базы знаний
Business Intelligence
Восходящий подход:
Нейронные сети
Генетические алгоритмы и эволюционные вычисления

Автоматное программирование
Парадигма предложена Шалыто А.А. 1991г.

Автоматы
Из чего состоит:
Состояния
Группы
Переходы
Использование:
Вложение
Наследование

Автоматы
Достоинства:
Верификация
Программа по модели, не наоборот
Документирование
Применение:
Протоколы
Компиляторы
Микроконтроллеры
Оборудование и агрегаты

Нейросеть
Принцип организации и функционирования биологических нейронных сетей
Норберт Винер 1943г.

Нейросеть
Этапы использования:
Сбор данных для обучения
Выбор топологии сети
Экспериментальный подбор характеристик сети и параметров обучения
Обучение
Объект управления / Система управления ?

Нейросеть
Недостатки:
Ограниченность применения
Сложность с обучением
Применение:
Предсказание финансовых временных рядов
Кластеризация данных
Аппроксимация
Сигнализация процессов

М-автомат
Принятие решения:
Можно выделить несколько стадий
Есть условия и критерии
Можно выделить «путь размышления»
Автоматы мышления:
Предложены Н.М. Амосовым в «Автоматы и разумное поведение»
Узел отвечает за определенное событие/чувство/характеристику

М-автомат
Из чего состоит:
Узлы
Воздействия
Отношения
Отдельный блок решения с неочевидной реализацией

Расширенное состояние
Состояние с нейросетью
Взаимодействие с нейросетью на входе в состояние

Расширенное состояние
Строим путь принятия решения
Состояние само создает воздействие
Выделяем блок принятия решения в автомате

Расширенное состояние
Параметры:
Тип нейросети
Количество входов, выходов
Список воздействий
Обучение:
На этапе создания
В процессе работы – автомат помнит путь размышления
Меняется настройка автомата, а не его структура

Пример
Условия:
Кто: ежик – ходит вперед, ест грибы
Грибы – разный вес (10, 20, 40, -40)
Нельзя есть ядовитые грибы
Ежик не ест, когда наелся
На ход тратит 10, ест если набрал меньше 100
Блок принятия решений:
Блок принятия решений состоит из расширенных состояний
Обучаем при создании автомата

Пример
Обученный:
Не отравился
Результат : 110
Не обученный:
Два раза отравился
Результат: 30

Направление развитие
Применение :
Датчики и сигнализация
Комплексный анализ
Развитие:
Эксперименты
Сталкивание с генетическими алгоритмами

Ссылки
Автоматное программирование: http://is.ifmo.ru
UniMod http://unimod.sourceforge.net/intro.html
Библиотека для создания автоматов: https://cyberdisk-science.googlecode.com/svn/branches/030609/docs