На основе положений математической логики событий исследуется возможность построения логических нейронных сетей, выполняющих операции вывода в составе систем искусственного интеллекта, имитирующих механизмы работы мозга. Такие операции лежат в основе систем распознавания, управления и принятия решений. Предлагаются методы построения обученных нейронных сетей, созданных «под задачу», простые методы обучения-трассировки, методы преобразования описаний систем принятия решений для повышения достоверности выводов. Рассматривается возможность применения логических нейронных сетей в самообучающихся системах управления, а также в различных системах экономики, транспорта, безопасности, защиты информации, при решении задач интеллектуального отображения, в бизнесе туризма и развлечений, при политическом и социальном прогнозировании и в других задачах науки и искусства.Данное пособие предназначено для студентов старших курсов технических и экономических вузов, аспирантов, инженеров и исследователей в области применения современных информационных технологий искусственного интеллекта в системах управления и принятия решений.

Предисловие......11Введение......14Лекция 1. Математическая логика событий......221.1. Булева концепция алгебры высказываний о событиях......221.2. Логические функции высказываний......241.3. Исчерпывающее множество событий......261.4. Композиция исчерпывающих множеств событий. Дерево логических возможностей. Факторное пространство событий......281.5. Система принятия решений......321.6. «Схемотехническое» представление системы принятия решений......331.7. Достоверность высказываний о событиях......351.8. Системы принятия решений на основе достоверности высказываний о событиях......381.9. Минимизация длины логической цепочки в системе принятия решений......42Лекция 2. Основы нейросетевых технологий......462.1. Нейронная сеть — средство распознавания......462.1.1. Построение обученной нейросети......462.1.2. Обучение нейросети......512.2. Модель мозга......542.3. Ввод и «разглядывание» эталонов и образов......592.4. Кора......632.5. Устойчивость, помехозащищенность и локализация максимального возбуждения......642.6. Пространство признаков......71Лекция 3. Построение современной нейросетевой технологии......733.1. Начинаем решать пример......743.2. Возбуждение входного слоя......773.3. «Схемотехнический» подход к построению нейросети «под задачу»......793.4. Построение нейросети «под задачу»......853.5. Формализация нейросети......883.6. Модель механизма запоминания......923.7. Применение «готовых» нейросетей......933.7.1. Однослойная нейросеть......943.7.2. Нейросеть произвольной структуры......963.8. Нейросетевые технологии и нейрокомпьютеры......99Лекция 4. Трассировка нейронной сети......1034.1. Пример — опыт — предпосылки обобщения......1034.2. Алгоритм трассировки нейросети......1244.3. Приведение нейросети после трассировки......126Лекция 5. Стратегии обучения и самообучения......1285.1. Динамизм обучения......1285.2. Не задавайте глупых вопросов!......1355.3. Познание нового — основа самообучения......136Лекция 6. Нейронные сети с обратными связями......1396.1. К вопросу происхождения человека......1396.2. Как же вводить обратные связи......143Лекция 7. Нейросетевые самообучающиеся системы управления......1477.1. Самообучение на основе ситуационного управления......1477.2. Нейросетевое воплощение......152Лекция 8. Логическое программирование нейронной сети......1588.1. ПРОЛОГ-программа......1588.2. Нейросеть для решения задачи логического вывода......162Лекция 9. Структурное обоснование логической нейронной сети......1709.1. «Железнодорожная рулетка»......1709.2. Практический подход и обоснование структуры логической нейронной сети для системы принятия решений......1829.3. Выбор передаточной функции......1879.4. Анализ примера......189Лекция 10. Корректировка параметров, дистрибутивные преобразования, однослойные и совершенные логические нейронные сети......19210.1. Корректировка порогов......19210.2. Корректировка весов связей нейронов выходного слоя......19410.3. Дистрибутивная форма логического описания системы принятия решений......19610.4. Возможность применения однослойных нейросетей......20310.5. Совершенные нейронные сети......20910.6. Корректное задание исходных данных — условие правильности выводов нейросети......211Лекция 11. Трассировка логической структуры нейросети......21611.1. Задачи обучения нейросети методом трассировки......21611.2. Формирование обученной нейросети на основе заданного множества нейроподобных элементов......21711.3. Оптимальное закрепление рецепторов за событиями в нейросети заданной структуры......22011.4. Обучение-трассировка нейросети заданной структуры......22311.5. Алгоритм трассировки нейросети по описанию системы принятия решений в дистрибутивной форме......232Лекция 12. Методика построения системы принятия решений на основе логической нейронной сети......23612.1. Основные этапы работ......23612.2. Логическое описание системы принятия решений......23612.3. Дистрибутивные преобразования логического описания......23912.4. Построение логической схемы......24012.5. Построение матрицы следования для нейронной сети......24012.6. Выбор и обоснование передаточной функции нейрона......24112.7. Верификация нейросети......242Лекция 13. Нейросетевые технологии в экономике и бизнесе......24413.1. Табличный метод — основа искусственного интеллекта......24413.2. Мониторинг банковской системы......24713.2.1. Структура нейросети и способы обучения......24813.2.2. Структура экрана рецепторов......25113.2.3. Структура экрана выходного слоя......25213.2.4. Обучение нейросети......25313.2.5. Методика мониторинга......25413.2.6. Корректировка и развитие......25613.3. Система оценки странового риска......256Лекция 14. Нейросетевые модели пошаговой оптимизации, маршрутизации и тактических игр......26014.1. Логическая нейронная сеть — средство пошагового принятия решений......26014.2. Нейросетевая транспортная модель динамической маршрутизации......26214.3. Пример модели транспортного маршрутизатора из центрального пункта отправления......26514.4. Моделирование реального времени движения в сети железных дорог для оценки пропускной способности, эффективности и оптимизации расписания......26714.5. Нейросетевой «подсказчик» в тактической игре......273Лекция 15. Основы «живого» моделирования......27615.1. Какую задачу мы хотим решить......27615.2. Моделирование трехмерной памяти......27815.3. «Мышца» и ее сокращение......27915.4. Сокращение «твердого» объекта......28415.5. Сокращение вязкого тела......28615.6. Сокращение вязкого тела с «выпучиванием»......28815.7. Шарнирно-мышечное соединение......28915.8. Перемещение, поворот и вращение......29215.9. Внешнее «механическое» воздействие на объект......29315.10. Построение объектов в трехмерной памяти......29415.11. Командно-программное управление объектами......29415.12. Логические нейронные сети в основе управления трехмерными компьютерными объектами......29515.13. Реагирующие объекты для систем интеллектуального отображения......30015.13.1. Постановка задачи......30015.13.2. Основы построения модели системы интеллектуального отображения для «плоской» анимации......30215.13.3. Клип-моделирование интеллектуального отображения......314Лекция 16. Перспективные нейросетевые технологии......31916.1. Служба безопасности......32116.2. Парк фантасмагорий......32316.3. Компьютерный человечек КОМПИ......32516.4. Диагностика......32816.5. Тестирование в сфере образовательных услуг......32916.6. Графический диспетчер движения поездов......33116.7. Печать рукописи......33516.8. Экстренное торможение локомотива......33716.9. Защита информации......33916.10. Сивилла-прорицательница......343Заключение......348Литература......350

Барский А.Б.
Аркадий Бенционович родился в 1937 году на Украине. В 1960 году окончил механико-математический факультет Саратовского государственного университета. В 1965 году защитил кандидатскую диссертацию по вопросам контроля программ реального времени. В 1973 году защитил докторскую диссертацию. Список научных трудов содержит свыше 200 наименований.