Моделирование НС

4.3.1. Представление знаний и моделирование рассуждений.

Представление знаний (knowledge representation) - одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям

Пространственные логики позволяют описывать конфигурацию пространственных областей, объектов в пространстве; изучаются также семейства пространственных отношений. В последнее время эта область, из-за тесной связи с прикладными задачами, становится доминирующей в исследованиях по представлению знаний. Например, для задач роботики важно уметь по изображению некоторой сцены восстановить ее вербальное (формальное) описание, с тем чтобы далее это описание использовать, например, для планирования действий робота.

Объектами дескриптивной логики являются так называемые концепты, (базовые структуры для описания объектов в экспертных системах) и связанные в единое целое множества концептов (агрегированные объекты). Дескриптивная логика вырабатывает методы работы с такими сложными концептами, рассуждений об их свойствах и выводимости на них. Дескриптивная логика может быть использована, кроме того, для построения объяснительной компоненты базы знаний.

Наконец, онтологические исследования посвящены способам концептуализации знаний и методологическим соображениям о разработке инструментальных средств для анализа знаний.

Различные способы представления знаний лежат в основе моделирования рассуждений, куда входят: моделирование рассуждений на основе прецедентов (case-based reasoning, CBR), аргументации или ограничений, моделирование рассуждений с неопределенностью, рассуждения о действиях и изменениях, немонотонные модели рассуждений, и др. Остановимся на некоторых из них.

CBR

Здесь главные проблемы – поиск алгоритмов адаптации, «фокусировка поиска» на использовании прошлого опыта, вывод, основанный на оценке сходства и технологии визуализации.

Пусть заданы прецеденты как множество пар <СЛУЧАЙ, РЕШЕНИЕ>, множество зависимостей между различными атрибутами СЛУЧАЕВ и РЕШЕНИЙ, а также целевая проблема ЦЕЛЬ. Для возникающей новой ситуации («нового случая») требуется найти пару <НОВЫЙ СЛУЧАЙ, ИСКОМОЕ РЕШЕНИЕ>, которая решает целевую проблему.

Алгоритмы для таких задач основаны обычно на сравнении прецедентов с новым случаем (в какой-либо метрике), с использованием зависимостей между атрибутами случаев и атрибутами решения. Такие зависимости могут задаваться человеком при построении базы случаев, или обнаруживаться в базе случаев автоматически. При поиске решения для целевой проблемы выполняется адаптация уже имеющегося в базе прецедентов решения. Для этой адаптации и используются означенные зависимости.

Важной проблемой CBR является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем. Но как определить, какие именно решения надо считать сходными?

Существуют гипотезы, что сходство проблем налагает ограничения на сходство соответствующих гипотез в форме слабой связи между ними. Это обстоятельство и используется для ограничения области поиска решений.

Пусть, например, речь идет о некотором клиенте, который (с супругой) желает две недели провести на Канарах и хочет заплатить за это не более полутора тысяч долларов.

Первый вариант диалога с системой не обладающей способностями к рассуждениям (и на основе прецедентов тоже):

Клиент: здравствуйте, я бы хотел слетать в отпуск на две недели в июле на Канарские острова. Я бы хотел поехать со своей женой, но не могу заплатить более полутора тысяч долларов.

Система: извините, но такой возможности у нас нет.

Клиент: хорошо, но может быть у вас найдется что-нибудь похожее в близком регионе.

Система: не могли бы Вы уточнить, что Вы имеете ввиду, говоря о близком регионе.

Клиент: я имею ввиду побережье Испании.

Система: извините, но это не близкий регион. Это более тысячи километров от Канарских островов!

Клиент: но климат там похожий…

Система: извините, что Вы имеете ввиду, говоря о климате...

Скорее всего, клиент обратится в другое турагентство

Второй вариант диалога:

Клиент: здравствуйте, я бы хотел слетать в отпуск на две недели в июле на Канарские острова. Я бы хотел поехать со своей женой, но не могу заплатить более полутора тысяч долларов.

Система: извините, такой возможности сейчас нет. Но может быть, Вас устроит побережье Испании?

Клиент: а как насчет климата, он похож на Канарский?

Система: да и, кроме того, билеты дешевле!

Клиент: отлично, забронируйте, пожалуйста.

Из этого, может быть, не очень серьезного примера видно, что, а) во втором случае клиент имеет дело с системой, которая понимает, что хоть регион и не близок Канарам, но более близок клиенту, во всяком случае, билет дешевле и б) так как клиент хочет поехать в июле, видимо, его интересуют морские купания и пляжи, а это есть как на Канарах, так и на побережье Испании. Из этого система делает вывод о сходстве ситуаций (описанной клиентом и имеющейся вакансии в ее базе) и на основании этого полагает, что решение «отдых в Испании» является близким решению «отдых на Канарах».

Методы CBR уже применяются в множестве прикладных задач – в медицине, управлении проектами, для анализа и реорганизации среды, для разработки товаров массового спроса с учетом предпочтений разных групп потребителей, и т.д. Следует ожидать приложений методов CBR для задач интеллектуального поиска информации, электронной коммерции (предложение товаров, создание виртуальных торговых агентств), планирования поведения в динамических средах, компоновки, конструирования, синтеза программ.

Моделирование рассуждений на основе ограничений

Наиболее интересны здесь задачи моделирования рассуждений, основанных на процедурных динамических ограничениях. Они мотивированы сложными актуальными задачами – например, планированием в реальной обстановке.

Под задачей удовлетворения ограничений понимается четверка множеств: множество переменных, множество соответствующих областей переменных, множество ограничений на переменные и множество отношений над областями. Решением проблемы удовлетворения ограничений называется набор значений переменных, удовлетворяющих ограничениям на переменные, такой, что при этом области, которым принадлежат эти значения, удовлетворяют отношениям над областями.

Задача удовлетворения динамических ограничений есть последовательность задач удовлетворения ограничений, в которой каждая последующая задача есть ограничение предыдущей. Эти задачи по смыслу близки задачам динамического программирования. Они связаны также с интервальной алгеброй.

Немонотонные модели рассуждений

Сюда относятся исследования по логике умолчаний (default logic), по логике «отменяемых» (Defeasible) рассуждений, логике программ, теоретико - аргументационой характеризации логик с отменами, характеризации логик с отношениями предпочтения, построению эквивалентных множеств формул для логик с очерчиванием (circumscription) и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, например, по примерам; связаны они также с задачами машинного обучения и некоторыми иными задачами. В частности, в задачах моделирования рассуждений на основе индукции источником первоначальных гипотез служат примеры. Если некоторая гипотеза Н возникла на основе N положительных примеров (например, экспериментального характера), то никто не может дать гарантии, что в базе данных или в поле зрения алгоритма не окажется N+1 - й пример, опровергающий гипотезу (или меняющий степень ее истинности). Это означает, что ревизии должны быть подвержены и все следствия гипотезы H.

Рассуждения о действиях и изменениях

Большая часть работ в этой области посвящена применениям ситуационного исчисления - формализма, предложенного Джоном Маккарти в 1968 году для описания действий, рассуждений о них и эффектов действий. Для преобразования плана поведения робота в исполняемую программу, достигающую с некоторой вероятностью фиксированной цели, вводится специальное логическое исчисление, основанное на ситуационной логике. Для этой логики предложены варианты реализации на языке pGOLOG - версии языка GOLOG, содержащей средства для введения вероятностей.

Активно исследуются логики действий, применение модальных логик для рассуждений о знаниях и действиях.

Рассуждения с неопределенностью

Сюда относится использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети – это статистический метод обнаружения закономерностей в данных. Для этого используется первичная информация, содержащаяся либо в сетевых структурах либо в базах данных. Под сетевыми структурами понимается в этом случае множество вершин и отношений на них, задаваемое с помощью ребер. Содержательно, ребра интерпретируются как причинные связи. Всякое множество вершин Z, представляющее все пути между некоторыми двуми иными вершинами X и Y соответствует условной зависимости между этими двуми последними вершинами.

Далее задается некоторое распределение вероятностей на множестве переменных, соответствующих вершинам этого графа и полученная, но минимизированная (в некотором смысле) сеть называется байсовской сетью.

На такой сети можно использовать, так называемый байесовский вывод, т.е. для вычисления вероятностей следствий событий можно использовать (с некоторой натяжкой) формулы теории вероятностей.

Иногда рассматриваются так называемые гибридные байесовские сети, с вершинами которых связаны как дискретные, так и непрерывные переменные. Байесовские сети часто применяются для моделирования технических систем.

4.3.2. Приобретение знаний, машинное обучение и автоматическое порождение гипотез.

Работы в области приобретения знаний интеллектуальными системами были и остаются важнейшим направлением теории и практики искусственного интеллекта. Целью этих работ является создание методологий, технологий и программных средств переноса знаний (или, как иногда говорят, компетентности), в базу знаний системы. При этом в качестве источников знаний выступают эксперты (т.е. высококвалифицированные специалисты предметных областей), тексты и данные, например, хранимые в базах данных.

Соответственно, развиваются различные методы приобретения знаний

Машинному обучению в мире уделяется большое внимание. Существует множество алгоритмов машинного обучения, среди самых распространенных – алгоритмы класса C4. Один из алгоритмов этого класса С4.5, является, по существу, алгоритмом декомпозиции и строит дерево решений. Исходной информацией для построения этого дерева является множество примеров. С каждой вершиной дерева ассоциируется наиболее (на текущем шаге) частотный класс примеров. На следующем шаге этот принцип рекурсивно применяется к текущей вершине, т.е. множество примеров, связанных с текущей вершиной также разбивается на подклассы. Алгоритм завершает свою работу либо при удовлетворении некоторого критерия либо при исчерпании подклассов (если они заданы).

Активно исследуются методы обучения причинам действий. Иногда говорят о так называемой теории действий, имея в виду ситуационное исчисление в духе Джона МакКарти. В этой теории причины действий и сами действия описываются в виде клаузальных структур (один из видов таких структур представляет собой импликацию, левая часть которой есть конъюнкция атомарных формул, а правая состоит из одной атомарной формулы).

Далее, методы индуктивного логического программирования модифицируются таким образом, чтобы быть применимыми к поиску таких структур. Когда такие структуры найдены, их можно использовать в языках логического программирования для рассуждений о действиях и их причинах.

Многие работы этого направления посвящены «нейронной парадигме». Нейросетевой подход используется в огромном количестве задач - для кластеризации информации из Интернета, автоматической генерации локальных каталогов, представления образов (в рекурсивных нейронных сетях). Среди активно изучаемых в последнее время тем - неоднородные нейронные модели с отношениями сходства. (Heterogeneous Neural Networks with similarity relation).

Это отношение сходства определяется на множестве входов и множестве состояний сети, а мерой сходства является скалярное произведение векторов либо эвклидово расстояние (где один вектор-вектор входов, а другой распределение весов нейронов, описывающих текущую ситуацию).

Работы по автоматическому порождению гипотез связаны, главным образом, с формализацией правдоподобных рассуждений, поиском зависимостей причинно-следственного типа между некоторыми сущностями. В качестве примеров можно привести порождение гипотез о свойствах химических соединений (прогноз биологических активностей), о возможных причинах дефектов (диагностика) и т.п.

4.3.3. Интеллектуальный анализ данных и обработка образной информации.

Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик, и т.п.

Значительную часть этого направления составляют исследования по различным аспектам распознавания изображений, в частности, с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

4.3.4. Многоагентные системы, динамические интеллектуальные системы и планирование.

Это новое (впрочем, в теоретических, поведенческих аспектах – скорее хорошо забытое старое) направление, изучающее интеллектуальные программные агенты и их коллективы

Интеллектуальный агент - это программная система, обладающая

-автономностью: агенты действуют без непосредственного участия человека и могут в некоторых пределах сами управлять своими действиями;

-социальными чертами: агенты взаимодействуют с другими агентами (и, возможно, человеком) посредством некоторого языка коммуникации;

-реактивностью: агенты воспринимают окружающую среду, которая может быть физическим миром, множеством других агентов, сетью Интернет или комбинацией всего этого, и реагируют на ее изменения;

-активностью: агенты могут демонстрировать целенаправленное поведение, проявляя при этом инициативу.

Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов.

Планирование поведения, или ИИ - планирование – это способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных методов такого синтеза востребованы и активно ведутся уже около 30 лет. Планирование является основой интеллектуального управления, т. е. автоматического управления автономным целенаправленным поведением программно-технических систем.

Среди методов ИИ–планирования сегодня выделяют классическое планирование, т.е. планирование в условиях статической среды, динамическое планирование, т.е. планирование в условиях изменения среды и, главное, учета такого изменения, иерархическое планирование, т.е.. когда действия абстрактного плана высокого уровня конкретизируются более детальными планами нижнего уровня, частично - упорядоченное (или монотонное) планирование, когда план строится на основе частично упорядоченного множества подпланов. При этом, общий план (элементами которого являются подпланы), обязан быть монотонным, а каждый из подпланов может быть немонотонным. Добавлю, что монотонность это такое свойство плана, когда каждое его действие уменьшает различия между текущим состоянием и целью поведения. Например, если план движения робота к цели таков, что каждый его шаг приближает к цели, то план монотонен, но если он наткнулся при этом на препятствие и требуется его обойти, то монотонность плана нарушится. Однако, если план обхода препятствия выделить в отдельный подплан и рассматривать оный как элемент исходного плана, то монотонность последнего восстановится.

Активно ведутся работы и в области распознавания планов, построения планировщиков и расширения их возможностей, эвристического планирования с ресурсными ограничениями, управления планированием посредством временной логики, планирования с использованием графов.

Рассматриваются подходы к планированию, при которых построение текущих планов выполняется непрерывно для каждого состояния системы в реальном времени. Для этого предусмотрен непрерывный мониторинг объекта управления.

Задачи планирования относятся в наше время к наиболее важным и перспективным направлениям в ИИ.

Динамические интеллектуальные системы - результат интеграции экспертных систем с системами имитационного моделирования. Это двухкомпонентные динамические модели, где один из компонентов – база знаний, а другой компонент имеет континуальный характер. Разрабатываются методы выбора логик для описания временных зависимостей при построении динамических интеллектуальных систем.

Работы в области систем поддержки принятия решений посвящены моделированию сложных технологических и технических систем, поиску решений в условиях чрезвычайных ситуаций, задачам проектирования систем управления техническими объектами, использованию вероятностных подходов и сценариев при принятии решений, ряду других проблем.

4.3.5. Обработка естественного языка, пользовательский интерфейс и модели пользователя.

Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка с использованием различных эвристик. Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов вместе с их результатами).

Понимание естественного языка включает куда больше, чем разбор предложений на индивидуальные части речи и поиск значений слов в словаре. Оно базируется на обширном фоновом знании о предмете беседы и идиомах, используемых в этой области, так же, как и на способности применять общее контекстуальное знание для понимания недомолвок и неясностей, присущих естественной человеческой речи.

Представьте себе, к примеру, трудности в разговоре о футболе с человеком, который ничего не знает об игре, правилах, ее истории и игроках. Способен ли такой человек понять смысл фразы:

В центре Иванов перехватил верхнюю передачу – мяч полетел к штрафной соперника, там за него на «втором этаже» поборолись Петров и Сидоров, после чего был сделан пас на Васина в штрафную, который из-под защитника подъемом пробил точно в дальний угол.

Хотя каждое отдельное слово в этом предложении можно понять, фраза звучит совершенно непонятно для человека не увлекающегося футболом.

Задача сбора и организации этого фонового знания, чтобы его можно было применить к осмыслению языка, составляет значительную проблему в автоматизации понимания естественного языка. Для ее решения исследователи разработали множество методов структурирования семантических значений, используемых повсеместно в искусственном интеллекте.

Из-за огромных объемов знаний, требуемых для понимания естественного языка, большая часть работы ведется в хорошо понимаемых, специализированных проблемных областях. Одной из первых программ, использовавших такую методику «микромира», была программа Винограда SHRDLU – система понимания естественного языка, которая могла «беседовать» о простом взаимном расположении блоков разных форм и цветов. Программа SHRDLU могла отвечать на вопросы типа: «Какого цвета блок на синем кубике?», а также планировать действия вроде «передвинь красную пирамидку на зеленый брусок». Задачи этого рода, включая управление размещением блоков и их описание, на удивление часто всплывали в исследованиях искусственного интеллекта и получили название проблем «мира блоков».

Несмотря на успехи программы SHRDLU в разговорах о расположении блоков, она была не способна абстрагироваться от мира блоков. Методики представления, использованные в программе, были слишком просты, чтобы передать семантическую организацию более богатых и сложных предметных областей. Основная часть текущих работ в области понимания естественных языков направлена на поиск формализмов представления, которые должны быть достаточно общими, чтобы применяться в широком круге приложении и уметь адаптироваться к специфичной структуре заданной области. Множество разнообразных методик (большинство из которых являются развитием или модификацией семитических сетей) исследуются c этой целью и используются при разработке программ, способных понимать естественный язык в ограниченных, но достаточно интересных предметных областях. Но полное понимание языка на вычислительной основе все же остается далеко за пределами современных возможностей

По прежнему актуальны обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов.

Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта – участника процесса.

Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации в Интернете, на анализ текстовой информации, на извлечение данных из текстов. Таким образом, значение методов автоматического анализа текстов будет в дальнейшем возрастать.

4.3.6. Нечеткие модели и мягкие вычисления.

Это направление представлено нечеткими схемами «вывода по аналогии», взглядом на теорию нечетких мер с вероятностных позиций, нечетким представлением аналитическими моделями для описания геометрических объектов, алгоритмами эволюционного моделирования с динамическими параметрами, такими как время жизни и размер популяции, методами решения оптимизационных задач с использованием технологий генетического поиска, гомеостатических и синергетических принципов и элементов самоорганизации.

4.3.7. Разработка инструментальных средств.

Это обширная сфера деятельности внутри ИИ, ставящая перед собой задачи:

а) создания программных средств приобретения знаний для автоматизированного переноса компетентности в базы знаний. При этом в качестве источников такой компетентности могут выступать не только «прямые» её носители – эксперты различных областей, но и текстовые материалы – от учебников до протоколов, а также, разумеется, базы данных (имплицитные источники знаний). Вербализация, то есть перевод таких источников в эксплицитную форму составляет содержание методов обнаружения знаний в данных, в том числе различных методов обучения по примерам (включая предобработку больших массивов данных для дальнейшего анализа);

б) реализации программных средств поддержки баз знаний.

в) реализации программных средств поддержки проектирования интеллектуальных систем. Набор таких средств обычно содержит редактор текстов, редактор понятий, редактор концептуальных моделей, библиотеку моделей, систему приобретения знаний от экспертов, средства обучения по примерам и ряд других модулей.

4.3.8. Планирование и робототехника

Исследования в области планирования начались с попытки сконструировать роботов, которые бы выполняли свои задачи с некоторой степенью гибкости и способностью реагировать на окружающий мир. Планирование предполагает, что робот должен уметь выполнять некоторые элементарные действия. Он пытается найти последовательность таких действий, с помощью которой можно выполнить более сложную задачу, например, двигаться по комнате, заполненной препятствиями.

Планирование по ряду причин является сложной проблемой, не малую роль в этом играет размер пространства возможных последовательностей шагов. Даже очень простой робот способен породить огромное число различных комбинации элементарных движений. Представьте себе, к примеру, робота, который может передвигаться вперед, назад, влево и вправо, и вообразите, сколькими различными путями он может двигаться по комнате. Представьте также, что в комнате есть препятствия, и что робот должен выбирать путь вокруг них некоторым оптимальным образом. Для написания программы, которая могла бы разумно определить лучший путь из всех вариантов, и не была бы при этом перегружена огромным их числом, потребуются сложные методы для представления пространственного знания и управления перебором в пространстве альтернатив.

Одним из методов, применяемых человеческими существами при планировании, является иерархическая декомпозиция задачи. Планируя путешествие в Лондон, Вы, скорее всего, займетесь отдельно проблемами организации перелета, поездки до аэропорта, самого полета и поиска подходящего вида транспорта в Лондоне, хотя все они являются частью большого общего плана. Каждая из этих задач может сама быть разбита на такие подзадачи, как, например, покупка карты города, преодоление лабиринта линий метро и поиск подходящего ресторана. Такой подход не только эффективно ограничивает размер пространства поиска, но и позволяет сохранять часто используемые маршруты для дальнейшего применения.

В то время как люди разрабатывают планы безо всяких усилий, создание компьютерной программы, которая бы занималась тем же – сложная проблема. Казалось бы, такая простая вещь, как разбиение задачи на независимые подзадачи, на самом деле требует изощренных эвристик и обширного знания об области планирования. Не менее сложная проблема – определить, какие планы следует сохранить, и как их обобщить для использования в будущем.

Робот, слепо выполняющий последовательности действий, не реагируя на изменения в своем окружении, или неспособный обнаруживать и исправлять ошибки в своем собственном плане, едва ли может считаться разумным. Зачастую от робота требуют сформировать план, основанный на недостаточной информации, и откорректировать свое поведение по мере его выполнения. Робот может не располагать адекватными сенсорами для того, чтобы обнаружить все препятствия на проектируемом пути. Такой робот должен начать двигаться по комнате, основываясь на «воспринимаемых» им данных, и корректировать свой путь по мере того, как выявляются другие препятствия. Организация планов, позволяющая реагировать на изменение условий окружающей среды – основная проблема планирования.

Наконец, робототехника была одной из областей исследований искусственного интеллекта, породившей множество концепций, лежащих в основе агентно-ориентированного принятия решений. Исследователи, потерпевшие неудачу при решении проблем, связанных с большими пространствами представлений и разработкой алгоритмов поиска для традиционного планирования, переформулировали задачу в терминах взаимодействия полуавтономных агентов. Каждый агент отвечает за свою часть задания, и общее решение возникает в результате их скоординированных действий.

Исследования в области планирования сегодня вышли за пределы робототехники, теперь они включают также координацию сложных систем задач и целей. Современные планировщики применяются как в агентских средах, так и для управления ускорителями частиц.

4.4. Биорезонансная диагностика и терапия.

4.4.1. Биорезонансная диагностика

Последние годы всё чаще встречаются ситуации, когда пациент предъявляет жалобы на общую слабость, утомляемость, снижение трудоспособности, сонливость. Однако даже при тщательном обследовании не удаётся выявить объективную причину этих жалоб.

Традиционно такие ситуации рассматриваются либо в аспекте психологических / психосоматических нарушений, либо диагностируются как синдром хронической усталости, вегетативно-сосудистая дистония и т.п. Частой причиной этих состояний является состояние хронической интоксикации, которая обуславливает функциональные нарушения без каких-либо структурных изменений в органах.

Большинство диагностических методов направлены в основном на диагностику структурных (анатомических) изменений в органах, а не на поиск нарушенной функции.

В этом плане представляет интерес вегетативно-резонансный тест, который ориентирован именно на выявление функциональных нарушений в органах и системах организма, поиск причины этих нарушений и выбор оптимального лекарственного препарата, компенсирующего дисфункцию.

Вегетативно-резонансный тест (ВРТ) разработан немецким врачом Хельмутом Шиммелем.

Суть метода заключается в следующем. В процессе исследования создается «контур измерения» (замкнутая электрическая цепь), в состав которой включается пациент. Измерительным щупом исследуется проводимость произвольной воспроизводимой точки (проводимость которой существенно не изменяется при давлении щупом). Далее в измерительный контур вводятся определенные тест-указатели («частотные маркеры»).

Если в организме имеется хотя бы один «генератор» той же частоты, то организм непременно войдёт в физический резонанс с исходной частотой (т. е. с тест-указателем), введенным в измерительный контур. Если это явление физического резонанса существенно для организма, то оно приведёт к изменению его внутреннего состояния в целом - в организме возникнет «семантический резонанс», что неизбежно проявится в изменении показателей в воспроизводимой точке.

Таким образом, процесс диагностики заключается в фиксации изменений проводимости воспроизводимой точки при включении в измерительный контур дополнительных маркеров. В процессе исследования в измерительный контур последовательно вводятся тест-указатели здоровых органов (органоспецифические препараты), при наличии отклонений - маркеры пораженных тканей (нозоды), медикаментозных препаратов и т. п.

Для врача процедура исследования сводится к диалогу с диагностическим комплексом и получению ответов на поставленные вопросы в «двоичном» коде («да» или «нет»). Грамотно поставленные вопросы определяют: в каких органах имеются проблемы (локализация поражения); каков характер поражения (дисфункция, органический процесс - опухоль, киста, рубцовые изменения ткани и т. п.), чем вызывается нарушения (причина); каково общее состояние организма (резервы адаптации, состояние иммунитета, нервно-психической сферы и пр.); какие препараты окажутся наиболее эффективными в данном случае.

Достоинствами ВРТ являются большая чувствительность и достоверность, простота в использовании, небольшие временные затраты на проведение диагностики. Всё это достигается за счёт сокращения количества измеряемых точек до одной, модифицирования техники измерения (компьютерные технологии), использования специальных тест-наборов. Методика ВРТ постоянно совершенствуется за счёт пополнения селектора (базы данных) новыми тест-указателями (органопрепараты, нозоды органов и микроорганизмов, лекарственных препаратов и т. п.).

В отношении лечебных воздействий - вегетативно-резонансное тестирование логично связано с такими методами информационного воздействия на организм, как гомеопатическая терапия и с инструментальными методами био- и мультирезонансной терапии (БРТ и МРТ).

4.4.2. Биорезонансная терапия

Биорезонансная терапия (БРТ) заключается в коррекции функций организма при воздействии электромагнитных излучений строго определенных параметров, подобно тому, как камертон отвечает на определенный частотный спекгр звуковой волны.

Идея биорезонансной терапии с помощью слабых электромагнитных колебаний, присущих самому пациенту, впервые была высказана и научно обоснована Ф. Мореллем (1977). Живой организм в целом и все его системы являются источниками слабых электромагнитных колебаний (физиологических или гармонических) в широком спектре частот. Возбудители заболеваний также обладают собственными частотами. При заболевании в организме образуются новые источники электромагнитных колебаний - так называемые «патологические» или «дисгармонические» колебания, которые нарушают физиологическое равновесие. Организм заболевает, когда он не в состоянии поддерживать равновесие между физиологическими и патологическими колебаниями. В нормальном физиологическом состоянии организма поддерживается относительная синхронизация различных колебательных (волновых) процессов, в то время как при патологических состояниях наблюдаются нарушения колебательной гармонии. Это может выражаться в нарушении ритмов основных физиологических процессов, например, за счет резкого преобладания механизмов возбуждения или торможения в центральной нервной системе и изменения корково-подкорковых взаимодействий. Тяжелые физические, нервные, психологические, экологические, геопатогенные и прочие нагрузки усугубляют эту ситуацию, а порой и сами становятся источником заболевания, способствуя развитию патологических процессов и нарушению динамического равновесия.

Биорезонансная терапия - это терапия электромагнитными колебаниями, с которыми структуры организма входят в резонанс. Воздействие возможно как на клеточном уровне, так и на уровне органа, системы органов и целостного организма. Основная идея применения резонанса в медицине заключается в том, что при правильном подборе частоты и формы лечебного (электромагнитного) воздействия можно усиливать нормальные (физиологические) и ослаблять патологические колебания в организме человека. Таким образом, биорезонансное воздействие может быть направлено как на нейтрализацию патологических, так и на восстановление физиологических колебаний, нарушенных при патологических состояниях.

Наибольшее предпочтение следует отдавать вариантам БРТ, основанным на выборе частотного режима и формы лечебного сигнала с помощью обратной связи от больного, или тем, при которых форма лечебного сигнала, например, соответствует биоэлектрической активности различных структур в нормальном (физиологическом) состоянии организма.

Информационные (биофизические) процессы в организме, которые используются при проведении биорезонансной терапии и вегетативного резонансного теста, стоят выше биохимических в иерархии управления организмом человека, что позволяет эффективно применять адаптивную биорезонансную терапию, воздействующую на управляющие звенья системы адаптации человека. Воздействие возможно как на клеточном уровне, так и на уровне органа, системы органов и целостного организма. Основная идея применения резонанса в медицине заключается в том, что при правильном подборе частоты и формы лечебного (электромагнитного) воздействия можно усиливать нормальные (физиологические) и ослаблять патологические колебания в организме человека.

Наиболее эффективна терапия, основанная на выборе частотного режима и формы лечебного сигнала с помощью обратной связи от больного, или тем, при которых форма лечебного сигнала, например, соответствует биоэлектрической активности различных структур в нормальном (физиологическом) состоянии организма. Сигналы, полученные с помощью электродов, закрепленных в акупунктурных точках и биологически активных зонах, обрабатываются прибором, который выделяет и усиливает физиологические и ослабляет патологические колебания. Скорректированные колебания «возвращаются» пациенту. В результате ослабляются или полностью подавляются патологические и усиливаются физиологические колебания, постепенно восстанавливается физиологическое и динамическое равновесие в организме (гомеостаз). Терапия в компьютерном аппаратно-программном комплексе осуществляется в режиме непрерывной адаптивной обратной связи, под контролем вегетативного резонансного теста. Уникальная технология позволяет записывать нормальный (физиологический) для данного пациента спектр электромагнитных колебаний на различные информационные носители (вода, гомеопатическая крупка, физиологический раствор и т.п.), в дальнейшем используемые для лечения, в перерыве между сеансами описанной биорезонансной терапии.

В соответствии с источником электромагнитных колебаний настоящее время следует различать два основных вида терапии:

- эндогенная биорезонансная терапия - это терапия собственными электромагнитными колебаниями организма человека после их специальной обработки;

- экзогенная биорезонансная терапия - это терапия внешними сигналами, с которыми отдельные органы и системы организма человека входят в резонанс, например, с магнитными полями, создаваемыми специальными генераторами.

Дата добавления: 2014-12-29