Нейронные сети!

Искусственный интеллект - это наука и технология создания интеллектуальных машин, а также интеллектуальных компьютерных программ. Не обязательно ограничивается биологически правдоподобными методами.

ИИ - научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые считаются интеллектуальными.

Интеллектуальная система — это техническая или программная система, способная решать задачи. Традиционно считающиеся творческими. Принадлежащими конкретной предметной области.

Тест Тьюринга — эмпирический тест. Целью данного теста является определение возможности искусственного мышления, близкого к человеческому. Стандартная интерпретация теста: человек взаимодействует с компьютером и одним человеком. На основании ответов на вопросы он должен определить с кем он разговаривает: с человеком или компьютерной программной. Задача компьютерной программы — ввести человека в заблуждение. Самый общий подход предполагает, что ИИ способен будет проявлять поведение, не отличающееся от человеческого, причем в нормальных условиях.

Процесс осуществления защиты и поддержания защищенности состоит из следующих основных этапов:

1) сбор объективных данных об ИС и текущей СЗИ. Данный этап легко поддается автоматизации и обычно выполняется с помощью специального ПО.

2) Анализ собранных данных и принятие решения о применении тех или иных необходимых средств. Трудоемкий этап в связи с большим количеством информации для анализа и плохо поддается автоматизации.

3) Применение выбранных мер для осуществления и поддержания защищенности информации.

2 этап является основной сложностью в связи с его трудоемкостью и практически постоянным изменением состояния ИС. Для его автоматизации применяются системы ИИ (СИИ).

Существуют 2 основных подхода к разработке СИИ:

1) нисходящий (семиотический)

этот подход подразумевает создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психологические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.

2) Восходящий (биологический

включает в себя изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем. Таких как нейрокомпьютер или биокомпьютер.

Остальные подходы либо основываются на одном из них, либо являются их подходами-компонентами.

Наиболее распространенные в настоящее время — нейронные сети, эволюционные вычисления, агентно-ориентированный подход, экспертныесистемы.

Нейронные сети!

Искусственная НС — совокупность моделей биологических НС. Представляют собой сеть элементов — искусственных нейронов, связанных между собой синаптическими соединениями.

НС обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов.

Искусственный нейрон — получает входные сигналы (исходные данные, либо выходные сигналы других нейронов НС) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (вес). С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов (1), из них вычитается пороговое значение и в результате получается величина активации нейрона. Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона (2).

Схема нейрона:

NET — взвешенная сумма входов

NET= ,

wi - вес

xi — значение входа

OUT — выходной сигнал

OUT=F(NET-Θ ),

F – функция активации

Θ — пороговое значение нейрона

Основные виды функции активации:

1) жесткая ступенька

используется в классическом формальном нейроне. Вычисляется 2-3мя машинами-инструкциями, поэтому нейроны с такой функцией требуют малых затрат. Эта функция чрезмерно упрощена, не позволяет моделировать схемы с непрерывными сигналами. Отсутствие первой производной затрудняет применение градиентных методов для обучения таких нейронов.

2) логическая функция (сигмоида, функция Ферми)

Применяют в многослойных персептронах и других сетях с непрерывными сигналами. Важные качества: гладкость и непрерывность функции. Непрерывность 1ой производной позволяет обучать сеть градиентными методами.

3) SOFTMAX-функция

Суммирование производится по всем нейронам данного слоя сети. Такой выбор функции обеспечивает сумму выходов слоя, равную единице при любых значениях сигналов NET данного слоя. Это позволяет трактовать выходные значения как вероятности событий, совокупность которых образует полную группу. Это полезное свойство позволяет применить данную функцию в задачах классификации, проверки гипотез, распознавания образов и др., где требуются выходы-вероятности.

4) Гауссовая кривая

Применяют в случае, когда реакция нейрона д. б. Максимальной для некоторого определенного значения входа.

Выбор функции активации определяется:

1) спецификой задачи

2) удобством реализации

3) алгоритмом обучения: некоторые алгоритмы накладывают ограничения на вид функции активации.