Хронология

Равенство всех рас

Все расовые различия, особенно цвет кожи, имеют очевидный адаптивный характер. Например, цвет кожи (наиболее четкий количественный признак, лежащий в основе выделения рас) обнаруживает очень сильную зависимость от географической широты местности, и соответственно, от интенсивности ультрафиолетового излучения.

Цвет кожи у человека определяется, в основном, коричневым пигментом меланином. Его концентрация в коже обусловлена генетически, однако в определённых пределах она зависит и от интенсивности ультрафиолетового излучения, попадающего на кожу. Часто одинаковый оттенок кожи имеют представители разных рас, обитающие на одних широтах.

Вторым важным фактором, определяющим цвет кожи, является природа кровеносных сосудов, находящихся под ней. В зависимости от меры их расширения или, наоборот, сужения, наблюдается покраснение или бледность.

Использование для выделения рас других признаков (например, форма черепа, группы крови, или чувствительность к лактозе) часто приводит к совершенно иным классификациям.

Все расы легко скрещиваются друг с другом и дают плодовитое потомство, что свидетельствуют об их генетической близости. Современные генетические исследования также не выявили сколько-нибудь серьезных различий между генотипами отдельных рас. В общей генотипический изменчивости глобальной человеческой популяции различия между отдельными континентальными субпопуляциями не превышают 10%. Из остальных 90% генотипической изменчивости 85% приходится на различия между отдельными локальными популяциями в пределах отдельных рас.

· 1943 год — Норберт Винер вместе с соратниками публикует работу о кибернетике. Основной идеей является представление сложных биологических процессов математическими моделями.

· 1943 год — Маккалок и Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности.

· 1949 год — Хебб предлагает первый алгоритм обучения.

· В 1958 году Розенблаттом изобретен перцептрон. Перцептрон обретает популярность — его используют для распознавания образов, прогнозирования погоды и т. д. Казалось, что построение полноценного искусственного интеллекта уже не за горами.

· В 1960 году Уидроу (Widrow) совместно со своим студентом Хоффом на основе дельта-правила (формулы Уидроу) разработали Адалин, который сразу начал использоваться для задач предсказания и адаптивного управления. Адалин был построен на базе созданных ими же (Уидроу — Хоффом) принципально новых элементах — мемисторах. Сейчас Адалин (адаптивный сумматор) является стандартным элементом многих систем обработки сигналов.

· В 1961 году под руководством М. М. Бонгарда разработана программа «Кора»: «…задача Коры — поиск разделяющего правила после того, как найдены операторы, дающие достаточно четкие (коротко кодируемые) характеристики объекта или его частей». Программа Кора нашла применение, в частности, для распознавания нефтеносных пластов.

· В 1969 году Минский публикует формальное доказательство ограниченности перцептрона и показывает, что он неспособен решать некоторые задачи (Проблема "четности" и "один в блоке"), связанные с инвариантностью представлений. Интерес к нейронным сетям резко спадает.

· 1974 год — Пол Дж. Вербос и А. И. Галушкин одновременно изобретают алгоритм обратного распространения ошибки для обучения многослойных перцептронов. Изобретение не привлекло особого внимания.

· 1975 год — Фукушима представляет Когнитрон — самоорганизующуюся сеть, предназначенную для инвариантного распознавания образов, но это достигается только при помощи запоминания практически всех состояний образа.

· 1982 год — после длительного упадка, интерес к нейросетям вновь возрастает. Хопфилд (en:John Joseph Hopfield) показал, что нейронная сеть с обратными связями может представлять собой систему, минимизирующую энергию (так называемая сеть Хопфилда). Кохоненом представлены модели сети, обучающейся без учителя (Нейронная сеть Кохонена), решающей задачи кластеризации, визуализации данных (самоорганизующаяся карта Кохонена) и другие задачи предварительного анализа данных.

· 1986 год — Дэвидом И. Румельхартом, Дж. Е. Хинтоном и Рональдом Дж. Вильямсом и независимо и одновременно С. И. Барцевым и В. А. Охониным (Красноярская группа) переоткрыт и существенно развит метод обратного распространения ошибки. Начался взрыв интереса к обучаемым нейронным сетям.

Основной идеей использования нейронных сетей является возможность параллельной или псевдопараллельной обработки информации. Основными методами в науке является исторический и метод аналогий. При методе аналогий в соответствие биологическим объектам поставили элементы, которые было просто реализовать. Современные нейронные сети, как правило, представляют собой сеть процессоров, которые предназначены для решения определенных задач, в первую очередь задач распознавания образов за счет параллельных и псевдопараллельных вычислений.

Рассмотрим систему зрения человека. После того как изображение проходит через зрачок оно проецируется на сетчатку глаза, где находятся рецепторы, которые воспринимают сигнал. Рецепторы возбуждаются по-разному, возбуждаются соответствующие нейроны и изображение попадает в мозг, где она и обрабатывается. Изображение окончательно формируется в мозге. Задача состоит в том, чтобы обработать как можно быстрее сигналы, которые передаются с матрицы (аналогия сетчатки). Это очень сложный процесс, так как человек различает цвета. Многие животные не воспринимают цвета, а видят в определенном спектре, только высшие обезьяны и птицы различают всю гамму. Если возьмем метод аналогии, то для животных матрица заполняется ограниченными значениями (от 0 до 8), а для человека от 0 до многих миллионов. Аналогично пытаются построить процесс технического зрения.

логическая схема перцептрона с тремя рецепторами.

Перцептро́н, или персептрон (англ. perceptron от лат. Perceptio — восприятие; нем. perzeptron) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и реализованная в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи.

Перцептрон состоит из трёх типов элементов, а именно: поступающие от сенсоров сигналы передаются ассоциативным элементам, а затем реагирующим элементам. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными стимулами и необходимой реакцией на выходе. В биологическом плане это соответствует преобразованию, например, зрительной информации в физиологический ответ от двигательных нейронов. Согласно современной терминологии, перцептроны могут быть классифицированы как искусственные нейронные сети:

1. с одним скрытым слоем;

2. с пороговой передаточной функцией;

3. с прямым распространением сигнала.

Распределение времени ЦП:

-монопольное (MS DOS)

-по приоритетам (системы реального времени)

-каждому процессу дается квант времени

Если система управления сложная и она подсоединена к многим датчикам, которые работают в реальном времени и сама система должна работать в реальном времени, в этом случае часто используют нейронные сети, а систему делают многоуровневой.

Пример: сложная производственная система (обычно двухуровневая) для них существуют специальные ОС, которые определяются понятием SKDA. Трехуровневая система управления МКС.

Основная идея технической нейронной сети: обработать множество сигналов {N}, полученных с датчика и получить в результате значительно меньшее множество, которое некоторым образом отображает полученные сигналы. Наиболее простым элементом, который позволяет это сделать является сумматор, где входные сигналы суммируются и выдается один результирующий сигнал.

Дата добавления: 2014-01-06