Пупков К.А., Коньков В.Г. - Интеллектуальные исследования (Современнаяя теория управления) (1072100), страница 18

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 18)

| R_ас(t+1), если w^_p: y_p(t)0 и w^_iW^_ас

| R_общ(t+1), в противном случае,

=

где

| R_общ(t) - R(t), если w^_p: y_p(t)0 и w^_pW^_ас

| R_общ(t) + R(t) в противном случае,

R_общ(t+1) =

| R_ас(t) + R(t), если w^_p: y_p(t)0 и w^_pW^_ас

| R_общ(t+1) в противном случае,

R_ас(t+1) =

и Y(0)=0, W^_общ=W^, W^_ас=, R(0)=R_общ(0)=R₀

- нулевые начальные условия.

Здесь R - положительная функция времени, монотонно убывающая до нуля, t=t-t₀, а t₀ есть последний такт времени, на котором происходила генерализация внимания (отсутствие распознавания) или его переключение скачком на другую траекторию, т.е. w^_p{w^_q}_ас.

Таким образом, при наличии распознавания в одном из НЭ МВ увеличивает радиусы расфокусировки на ассоциативно связанных с ним НЭ и уменьшает на остальных, увеличивая вероятность вложения в ожидаемые продолжения траектории в случае искажения входной информации, что соответствует локализации внимания. При отсутствии распознавания во всех НЭ МВ увеличивает все радиусы, помогая вложиться в ближайший участок траектории, что соответствует генерализации внимания.

Понимая под установившимся процессом непрерывное распознавание, сопровождаемое вложением образа входной последовательности в одну траекторию ДАЗУ, а под его устойчивостью - нечувствительность к отклонениям входной последовательности ВП от эталонных, качественно описать динамику процесса распознавания в ДАЗУ под упралением МВ можно следующим образом.

При незначительном искажении начального участка входной последовательности переходный процесс отсутствует и локализация внимания плавно переходит по ассоциативно связанным НЭ в ДАЗУ, что соответствует установившемуся распознаванию, запас устойчивости которого зависит от R_ас(t) и R_общ(t) и потому возрастает с течением времени до некоторого предельного значения, определяемого функцией R(t). В случае сильного искажения входной последовательности начало распознавания может сопровождаться длительным переходным процессом, в ходе которого внимание то переключается скачком от одних участков траекторий к другим, то вообще генерализуется - ДАЗУ ищет участок адекватной трубки-траектории, соответствующей достаточно длительному слабо искаженному участку на входе, захватив который, можно локализовать внимание на правильной траектории в течение длительного интервала времени t, после чего возросший R_ас(t) и уменьшившийся R_общ(t) позволят устойчиво распознавать далее при значительном искажении следующих участков последовательности на входе.

3. Эксперименты

Модель ДАЗУ была реализована и экспериментально исследована на ПЭВМ.

Речевой сигнал, получаемый с выхода 16-разрядного АЦП с частотой квантования 8кГц, преобразовывался в последовательность векторов из шести параметров, вычисляемых на временном окне длинной 32мс, сканирующем сигнал с шагом 12мс.

В качестве метода первичной обработки сигнала для получения вектора параметров был использован метод перцептивного линейного предсказания [55], учитывающий основные особенности психоакустического восприятия и порождения речи описывающий анализируемый сегмент сигнала пятью параметрами. В качестве шестого параметра использовался регрессионный коэффициент энергии, позволяющий подчеркнуть особенности динамики спектра [56].

В ходе предварительных экспериментов была определена оптимальная длина РС (n-грамм) ДАЗУ, равная трем векторам параметров (n=3).

Эксперименты по исследованию параметров ДАЗУ проводились на обучающем множестве, состоящем из акустических реализаций 30-ти первых ударных слогов из частотного словаря [57], произносимых изолированно одним диктором. 7 и 10 различных реализаций на каждый слог было использовано при обучении и распознавании соответственно.

В ходе экспериментов было выяснено, что:

1) При оптимальном радиусе расфокусировки, составившем около 5% от максимально возможного расстояния в СП, среднее число НЭ на слог равно 22.

1. Достаточное число итераций алгоритма Кохонена для покрытия области эталона в СП минимальным числом НЭ и сходимости сети равно тридцати, что соответствовало в среднем 5-ти секундам обучения на слог с Pentium 100.

1. Применение механизма внимания улучшило точность распознавания на 6%, а скорость распознавания в 1,4 раза.

2. При настроеных параметрах точность распознавания тридцати слогов составила 92%.

1. Транспьютерные технологии в задачах проектирования

интеллектуальных систем

Современные достижения в области производства цифровых микропроцессорных элементов, средств их аппаратной поддержки, а также элементов памяти большой информационной емкости открывают широкие возможности для создания и внедрения принципиально новых информационных технологий как для решения задач обработки информации и управления сложными динамическими процессами, техническими объектами, системами, комплексами технических средств, так и для решения задач проектирования самих средств обработки информации и систем управления.

С точки зрения проблематики, связанной с обработкой информации и управлением, то с появлением высокопроизводительных, малоэнергоемких, компактных микропроцессорных вычислительных средств стало возможным создавать на их основе мультипроцессорные вычислительные среды, позволяющие не только использовать сложные (с алгоритмической точки зрения) алгоритмы обработки информации для решения задач управления в реальном времени, но и изменить внутреннюю архитектуру системы, структуру ее внешних и внутренних информационных связей, то есть принципиально изменить ее организацию. Эти новые принципы организации систем управления нашли свое отражение, в частности, в концепции интеллектуальных систем управления.

Интеллектуальные системы управления обладают рядом особенностей, отличающих их от обычных систем управления, благодаря которым становится возможным достижение новых эксплуатационных и качественных характеристик, таких как:

-возможность функционирования в условиях неопределенности как свойств объекта управления, так и обобщенной внешней среды;

-высокая надежность и живучесть;

-высокая динамическая и статическая точность управления;

-оптимальное управление ресурсами системы;

-возможность обеспечения эксплуатационной и экологической безопасности систем управления технологическими процессами, нарушение которых может привести к катастрофическим последствиям, и др.

К важнейшим из этих особенностей относятся:

-способность к обучению и самообучению в процессе функционирования, в результате чего происходит накопление Знаний, обусловливающих возможность качественного и количественного изменения свойств системы;

-анализ текущего состояния системы и внешней среды и принятие оперативных решений о наиболее эффективной стратегии управления;

-использование прогноза на всех этапах, связанных с оценкой состояния, принятием оперативных решений и реализацией управления в процессе функционирования системы.

Естественно, что достижение этих высоких характеристик и свойств возможно только при условии использования больших объемов информационных потоков от внешних, по отношению к вычислительной среде, источников информации, при условии применения специальных, достаточно сложных алгоритмов обработки информации и управления, а также при условии эффективной организации вычислительной среды и вычислительных процессов.

Что касается проблематики, связанной с решением задач проектирования, то появление высокопроизводительных, микропроцессорных вычислителей позволило существенно изменить не только самое технологию проектирования, но создавать и использовать высокоэффективные инструментальные средства проектирования, поддерживающие интеллектуальный интерфейс пользователя, обладающие собственной базой данных, знаний и т.д.

Особое место в общей проблеме проектирования сложных динамических систем занимает проблема их полунатурного моделирования на специальных комплексах, включающих как универсальные вычислительные средства, так и элементы специальной, реальной аппаратуры, а также устройства их сопряжения.

Так, при проектировании широкого класса сложных систем управления динамическими процессами и объектами (например, управление движением летательных аппаратов, технологическими процессами и т.д.), на заключительном этапе проводится полунатурное моделирование с целью корректировки алгоритмов обработки информации и управления, уточнения и корректировки их параметров с учетом динамических особенностей и характеристик элементов реальной аппаратуры, работающей в контуре управления, а также с целью получения оценок показателей качества проектируемых систем управления и исследования их эксплуатационных характеристик.

Метод полунатурного моделирования позволяет проводить исследование, проектирование и испытания как отдельных модулей сложных систем управления, так и самих систем управления в целом, для которых решение указанных выше задач другими методами либо затруднительно, либо невозможно, либо экономически нецелесообразно.

Кроме того, комплексы полунатурного моделирования используются для отработки самих элементов реальной аппаратуры, контроля процессов в каналах информационного обмена и т.д.

В процессе полунатурного моделирования осуществляется информационный обмен между вычислительными средствами комплекса и элементами реальной аппаратуры. Именно эта особенность обуславливает необходимость синхронизации вычислительного процесса с реальным временем, что, в свою очередь, предъявляет высокие требования к организации вычислительной среды комплекса, к структуре вычислительных процедур, к средствам сопряжения цифровой части и элементов реальной аппаратуры.

Таким образом, на этапе проектирования комплексов полунатурного моделирования сложных динамических систем управления и в процессе реализации этих систем возникают следующие важные общие проблемы:

-проблема выбора базовых микропроцессорных элементов для реализации вычислительной среды;

-проблема организации вычислительной среды для реализации соответствующих алгоритмов обработки информации и управления;

-проблема оптимизации структуры вычислительных процессов с учетом топологии вычислительной среды.

Все эти три проблемы тесно взаимосвязаны и в каждом конкретном случае требуют своего наиболее эффективного решения.

Можно сформулировать следующие общие основные требования к вычислительной среде:

-вычислительные средства, образующие мультипроцессорную вычислительную среду, должны обладать высокой производительностью, большим объемом располагаемой собственной оперативной и постоянной памяти;

-языки программирования базовых процессорных элементов должны позволять программировать вычислительные алгоритмы на языках высокого уровня, с одной стороны, а с другой - давать после компиляции эффективные, компактные объектные программные модули;

-операционная среда, языки программирования высокого уровня для вычислительной среды должны поддерживать последовательный, параллельно-конвейерный и параллельный вычислительные режимы мультипроцессорной обработки информации;

-топологическая структура вычислительной среды должна быть гибкой, перенастраиваемой, адаптируемой под любой вычислительный алгоритм для получения наивысшей эффективности вычислительного процесса, а также для повышения надежности и живучести самой вычислительной среды;

-вычислительная среда должна иметь возможность высокоскоростного аппаратного и информационного сопряжения как с внешними нестандартными устройствами ввода/вывода, к которым относятся элементы реальной аппаратуры (датчики, информационные средства, исполнительные устройства систем управления), так и с базовым HOST-вычислителем;

Характеристики

Список файлов книги