Квантовые нейронные сети в процессах обучения и управления
Сравнительный анализ между классическими и квантовыми нейронами. Построение квантовой нейронной сети. Однослойный и многослойный персептроны. Алгоритм обратного распространения "Back Propagation". Робототехника как направление искусственного интеллекта.
| Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
| Вид | магистерская работа |
| Язык | русский |
| Дата добавления | 26.12.2012 |
| Размер файла | 1,7 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Каждый вариант решения (для 30 городов) - это числовая строка, где на j-ом месте стоит номер j-ого по порядку обхода города. Таким образом, в этой задаче 30 параметров, причем не все комбинации значений допустимы. Естественно, первой идеей является полный перебор всех вариантов обхода.
Переборный метод наиболее прост по своей сути и тривиален в программировании. Для поиска оптимального решения (точки максимума целевой функции) требуется последовательно вычислить значения целевой функции во всех возможных точках, запоминая максимальное из них. Недостатком этого метода является большая вычислительная стоимость. В частности, в задаче коммивояжера потребуется просчитать длины более 1030 вариантов путей, что совершенно нереально. Однако, если перебор всех вариантов за разумное время возможен, то можно быть абсолютно уверенным в том, что найденное решение действительно оптимально (рис. 9.).
Рис. 9. Поиск оптимального решения
Генетический алгоритм представляет собой именно такой комбинированный метод. Механизмы скрещивания и мутации в каком-то смысле реализуют переборную часть метода, а отбор лучших решений - градиентный спуск. На рисунке показано (рис.), что такая комбинация позволяет обеспечить устойчиво хорошую эффективность генетического поиска для любых типов задач (рис. 10.).
Рис. 10. Метод градиентный спуск
Итак, если на некотором множестве задана сложная функция от нескольких переменных, то генетический алгоритм - это программа, которая за разумное время находит точку, где значение функции достаточно близко к максимально возможному. Выбирая приемлемое время расчета, мы получим одно из лучших решений, которые вообще возможно получить за это время.
Положительные качества генетических алгоритмов
1. Нахождение глобального минимума: неподверженность "застреванию" в локальных минимумах целевой функции.
2. Массовый параллелизм при обработке: особи в популяции функционируют независимо: расчет значений целевой функции, гибель, мутации осуществляются независимо для каждой особи. При наличии нескольких процессорных элементов быстродействие может быть очень высоким.
3. Биоподобность: генетические алгоритмы построены на тех же принципах, которые привели к возникновению человека и всего многообразия видов, и, следовательно, могут быть очень продуктивны и полезны [23].
4. Автоматическое управление объектами
Управление каким-либо объектом - это процесс воздействия на него с целью обеспечения требуемого течения процессов в объекте или требуемого изменения состояния. Основой управления является получения и обработка информации о состоянии объекта и внешних условиях его работы для определения воздействий, которые необходимо приложить к объекту, чтобы обеспечить достижение цели управления.
Управление, осуществляемое без участия человека, называется автоматическим управлением. Устройство, с помощью которого осуществляется управление, называется управляющим устройством. Совокупность объекта управления и управляющего устройства образует систему автоматического управления (САУ) (рис. 11.).
Рис. 11. Блок-схема системы автоматического управления
Состояние объекта характеризуется выходной величиной Х. От управляющего устройства на вход объекта поступает управляющее воздействие U. Помимо управляющего воздействия, к объекту приложено возмущающее воздействие (возмущение, помеха) F, которое изменяет состояние объекта, т.е. X, препятствуя управлению. На вход управляющего устройства подается задающее воздействие (задание) G, содержащее информацию о требуемом значении X, т.е. о цели управления. В самом общем случае на вход объекта поступает также информация о текущем состоянии объекта в виде выходной величины Х и о действующем на объект возмущении F. Переменные U, G, F и X в общем случае являются векторами.
Как и у всякой динамической системы, процессы в САУ делят на установившиеся и переходные.
При рассмотрении САУ имеет значение следующие понятия: устойчивость системы, качество процесса управления и точность управления [21].
Устойчивость - это свойство системы возвращаться в установившееся состояние после того, как она была выведена из этого состояния каким-либо возмущением.
Качество процесса управления характеризуется тем, насколько процесс управления близок к желаемому. Количественно они выражаются критериями качества:
Время переходного процесса - интервал времени от начала переходного процесса до момента, когда отклонение выходной величины от её нового установившегося значения становится меньше определенной величины - обычно 5%.
Максимальное отклонение в переходной период (перерегулирование) - отклонение определяется от нового установившегося значения и выражается в процентах.
Колебательность переходного процесса - определяется числом колебаний, равных числу минимумов кривой переходного процесса за время переходного процесса. Часто колебательность выражают в процентах как отношение соседних максимумов кривой переходного процесса.
Точность управления характеризуется погрешностью системы в установившихся режимах (расхождение между желаемым сигналом и действительным) - статизм.
4.1 Объект управления
Исходные данные: объект управления представляет автомобиль. Параметр, которым необходимо управлять - это его скорость. Скорость автомобиля можно регулировать с помощью другого параметра. Это может быть: сила нажатия на педаль акселератора и т.п. На скорость автомобиля может влиять множество внешних факторов: уклон под которым движется автомобиль, качество сцепления с дорогой, ветер. Информация о скорости автомобиля поступает с датчика скорости.
Динамика объекта управления описывается следующей системой дифференциальных уравнений: Объект управления
Исходные данные: объект управления представляет автомобиль. Параметр, которым необходимо управлять - это его скорость. Скорость автомобиля можно регулировать с помощью другого параметра. Это может быть: сила нажатия на педаль акселератора и т.п. На скорость автомобиля может влиять множество внешних факторов: уклон под которым движется автомобиль, качество сцепления с дорогой, ветер. Информация о скорости автомобиля поступает с датчика скорости.
Динамика объекта управления описывается следующей системой дифференциальных уравнений:
Параметры T1, T2, K1, K2 определены экспериментально и имеют следующие значения соответственно: K1=5, K2=7.156, T1=1.735, T2=16.85.
Требуется построить такой регулятор в классе нейросетевых структур, который обеспечивал бы управление объектом при соблюдении следующих требований синтезируемой системе автоматического управления:
· Физическая реализуемость регулятора.
· Устойчивость работы.
· Минимальная сложность.
· Построение нейроконтроллера
ИНС можно обучить на некотором множестве путем подбора настроечных параметров (рис. 12.). Используется метод обратного распространения ошибки, основанный на градиентном методе, с константой скорости сходимости h. Для обеспечения сходимости изменяем h с 1 до 0.00001 при количестве итераций в 1000000. Размер обучающего множества выбран 400 обучающих пар. Количество нейронов скрытого слоя 50.
Рис. 12. Блок-схема САУ с нейроконтроллером
Для сравнения снята переходная характеристика САУ с ПИД-регулятором, где k1=0.2, k2=0.007, k3=0.2.
На САУ с нейрорегулятором и ПИД-регулятором подается задающее воздействие G=10, 20, 30 ... 110. На интервале 50-100с. на систему действует помеха. Результаты работы САУ на рис. 13.
Рис. 13. Сравнение нейрорегулятора и ПИД-регулятора
Сравнение показывает: ПИД-регулятор проигрывает нейрорегулятору как в быстродействии на старте, при входе в зону помехи и при выходе [21].
4.2 Робототехника как направление Искусственного Интеллекта
Вся интеллектуальная деятельность человека направлена в конечном счете на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат, прежде всего, для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем Искусственного Интеллекта (ИИ) состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер и обычно не связанных ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов [18].
В рамках первого подхода изучаются, прежде всего, структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез о механизмах интеллектуальной деятельности, совершенствование моделей и т. д.
Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. А цель работ -- создание алгоритмического и программного обеспечения вычислительных машин, позволяющих решать интеллектуальные задачи не хуже человека.
Наконец, третий подход ориентирован на создание смешанных человеко-машинных (интерактивных) интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях являются оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной [19].
Попытки ученых всего мира по созданию роботов встретились, по крайней мере, с двумя серьезными проблемами, которые не позволили сколько-нибудь заметно продвинуться в этом направлении: это распознавание образов и здравый смысл. Роботы видят гораздо лучше нас, но не понимают увиденного. Роботы слышат гораздо лучше нас, но не понимают услышанного.
4.2.1 Общая блок-схема робота
Схема с указанием важнейших узлов будущего робота (система управления, датчики, сигнализаторы), и их связей друг с другом. По данной схеме легко ориентироваться в том, что еще необходимо для робота, что предстоит сделать или достать (рис. 14.).
Рис. 14. Общая блок-схема робота
4.2.2 Концептуальная модель
Схема робота, выполненная на двух уровнях детализации. Отображает основные функциональные компоненты системы и связи между ними. Очень полезно для упорядочивания мыслей (рис. 15-22.).
Рис. 15. Концептуальная модель. Самодвижущаяся тележка
Рис. 16. Схема поведения
Рис. 17. Окружение робота
Рис. 18. Пульт управления
Рис. 19. Система датчиков
Рис. 20. Система управления
Рис. 21. Двигательная система
Рис. 22. Система оповещения
4.2 Эффективное управление квантовым спиновым регистром. Криптография и квантовая телепортация
Впервые идея о квантовых вычислениях была высказана советским математиком Ю.И. Маниным в 1980 году и стала активно обсуждаться после опубликования в 1982 году статьи Роберта Фейнмана. Действительно, состояния 0 и 1, которые представлены в современных ЭВМ как уровни напряжения неких электрических схем (триггеров), можно интерпретировать и как состояния элементарных частиц, если, к примеру, воспользоваться такой характеристикой, как спин. Согласно принципу Паули, каждая частица может обладать спином величиной +1/2 или -1/2 - чем не логические «единица» и «ноль»? А квантовая природа таких частиц-триггеров, названных «квантовыми битами» или «кубитами» (Qbit), придает возможностям построенных на этой основе компьютеров поистине уникальные свойства.
Разработка устройств квантовой обработки информации представляет собой новую и бурно развивающуюся область нанотехнологий. На пути ее развития имеются проблемы, которые условно можно разделить на физико-технологические, математические и информационно-вычислительные. К последним относится вопрос: каким образом можно управлять квантовым компьютингом с максимальной эффективностью.
Для работы квантового вычислительного устройства необходимы так называемые запутанные состояния, которые важны также для квантовой телепортации и криптографии, поэтому изучение запутанности является одной из основных целей квантовой информатики. В общем случае безопасная обработка информации в квантовом регистре должна основываться на управлении кубитами (квантовыми битами), составляющими его начинку.
Предположим, что имеется один кубит. В таком случае после измерения, в так называемой классической форме, результат будет 0 или 1. В действительности кубит-квантовый объект и поэтому, вследствие принципа неопределённости, в результате измерения может быть и 0, и 1 с определенной вероятностью. Если кубит равен 0 (или 1) со стопроцентной вероятностью, его состояние обозначается с помощью символа (или ) - в обозначениях Дирака и - это базовые состояния. В общем случае квантовое состояние кубита находится "между" базовыми и записывается, в виде , где |a|І и |b|І -вероятности измерить 0 или 1 соответственно; ; |a|І + |b|І = 1. Более того, сразу после измерения кубит переходит в базовое квантовое состояние, аналогичное классическому результату.
Есть такое понятие, как квантовая телепортация. Суть квантовой телепортации заключается в передачи состояния объекта на расстояние, сам объект при этом не перемещается. Получается, что та телепортация, о которой столько писали фантасты, пока остается не более чем фантастикой. Квантовая же телепортация была описана еще Эйнштейном. Правда, сам ученый в нее не верил, хотя она не противоречила никаким законам физики. По мнению великого ученого, квантовый эффект, экспериментального подтверждения которого добились наши современники, должен был привести к полному абсурду. Однако приведет он, как нам теперь говорят, к созданию совершенно нового поколения компьютеров.
Алгоритм телепортации реализует точный перенос состояния одного кубита (или системы) на другой. В простейшей схеме используются 4 кубита: источник, приёмник и два вспомогательных. Отметим, что в результате работы алгоритма первоначальное состояние источника разрушится - это пример действия общего принципа невозможности клонирования - невозможно создать точную копию квантового состояния, не разрушив оригинал. На самом деле, довольно легко создать одинаковые состояния на кубитах. К примеру, измерив 3 кубита, мы переведем каждый из них в базовые состояния (0 или 1) и хотя бы на двух из них они совпадут. Не получится скопировать произвольное состояние, и телепортация - замена этой операции.
Телепортация позволяет передавать квантовое состояние системы с помощью обычных классических каналов связи. Таким образом, можно, в частности, получить связанное состояние системы, состоящей из подсистем, удаленных на большое расстояние.
Перспективная концепция квантового регистра для квантовой обработки информации основана на ансамбле спинов, находящемся в запутанном состоянии, которые будут рассматриваться как кубиты. Использование статистических смесей чистых состояний, таких как спиновые ансамбли, привело к развитию квантовых ансамблевых вычислений, которые были экспериментально осуществлены в системе, включающей до 12 кубитов. Еще большие квантовые регистры были экспериментально исследованы для оценки их устойчивости относительно декогерентности, которая является существенной проблемой. Следовательно, необходима эффективная оценка эволюции ансамбля.
Условия, при которых может возникнуть запутанность, могут быть достигнуты при надежной теплоизоляции методом, называемым адиабатическим размагничиванием во вращающейся системе координат (ADRF). Представляется, что возможность легко управлять при помощи внешнего воздействия количеством запутанности кубитов в квантовом регистре поможет лучше определить режим его эффективной работы. Управление можно моделировать наиболее просто и, одновременно, реалистично, предполагая, что 1) система находится вблизи равновесия, 2) внешнее воздействие приводит к изменению температуры кубитов, 3) воздействие внешним магнитным полем по типу ADRF имеет достаточно простой вид для моделирования, 4) это воздействие можно повторно использовать в разных сочетаниях как основной структурный элемент системы управления.
Квантовый параллелизм заключается в том, что данные в процессе вычислений представляют собой квантовую информацию, которая по окончании процесса преобразуется в классическую путём измерения конечного состояния квантового регистра. Выигрыш в квантовых алгоритмах достигается за счёт того, что при применении одной квантовой операции большое число коэффициентов суперпозиции квантовых состояний, которые в виртуальной форме содержат классическую информацию, преобразуется одновременно.
Применение идей квантовой механики уже открыли новую эпоху в области криптографии, так как методы квантовой криптографии открывают новые возможности в области передачи сообщений.
Квантовая криптография говорит о следующем: перехват посланного сообщения сразу же становится известным. Это означает, что факт шпионажа не заметить нельзя. Перехваченное сообщение, зашифрованное квантовым компьютером, утрачивает свою структуру и становится непонятным для адресата. Поскольку квантовая криптография эксплуатирует природу реальности, а не человеческие изыски, то скрыть факт шпионажа становится невозможно. Появление шифрования такого рода поставит окончательную точку в борьбе криптографов за наиболее надежные способы шифрования сообщений.
Отметим, что чем дольше держится запутанность, тем лучше для квантового компьютера, так как "длительные" кубиты могут решать более сложные задачи.
В данном случае для выполнения двух различных задач процессор использовал квантовые алгоритмы Гровера и Дойча - Джоза. Процессор давал верный ответ в 80% случаев (при использовании первого алгоритма) и в 90% случаев (со вторым алгоритмом).
Считывание результата также происходит с помощью микроволн: если частота колебаний соответствует той, что присутствует в полости, то сигнал проходит сквозь неё.
В настоящее время идет активное исследования альтернативных методов вычислений, таких как вычисления при помощи квантовых компьютеров и нейровычислителей. Оба направления дают нам большие возможности в параллелизме, однако рассматривают этот вопрос с разной стороны. Квантовые компьютеры позволяют выполнить операцию над неограниченным количеством кубитов одновременно, что может многократно увеличить скорость вычислений. Нейровычислитель же позволяет параллельно выполнять много различных простых задач на большом количестве примитивных процессоров, и получить в итоге результат их работы. Учитывая то, что основной задачей нейрокомпьютеров является обработка образов. При параллельной архитектуре эта задача выполняется гораздо быстрее, чем в классической последовательной. В то же время нейронные компьютеры позволяют нам получить универсальные и в то же время «живучие» системы, из-за их однородной структуры [16].
5. Практическая часть. Примеры Квантовых Нейронных сетей
5.1 Перевернутый маятник
Задача заключается в установлении устойчивого состояния маятника, перемещая каретку в позицию X=0 с помощью квантовых нейронных сетей (рис. 23.).
Рис. 23. Устойчивое состояние маятника
Диспетчер приводит в движение маятник, балансирует и приводит каретку к позиции X=0 при условии, что каретка избегает нанесения удара на пунктах конца трека.
Рис. 24. Система диспетчера
Система диспетчера состоит из нейронной сети (FFNN), целевого генератора, компаратора, и перевернутого маятника как управляемый объект (рис. 24.).
Рис. 25. Сравнение принципа работы Квантовой и Искусственной нейронных сетей
Квантовая нейронная сеть имеет более превосходящие способности в отличие от Искусственных нейронных сетей (рис. 25.) [4].
5.2 Сжатие изображения
Здесь предлагается модель кубического нейрона как новая схема с несоответствующим стандартом вычисления, которое соединяет квантовое вычисление и нейронное вычисление.
Когда изображение на вход в сеть с прямой связью с узким скрытым слоем, можно забрать данные сжатого изображения с выхода скрытого слоя. Происходит обучение сети. Когда сеть осуществляет это тождественное отображение, можно подобрать данные из исходного изображения с выхода узкого скрытого слоя (рис. 26,27..) [22].
Рис. 26. Сжатие изображения на слоистые нейронные сети
Рис. 27. Входная схема, участок исходного изображения
При моделировании принимаем значения параметров, приведенных в таблице (табл. 6).
Таблица 6: Значения параметров при моделировании
|
Параметры |
Значения |
|
|
BI;BH |
8 бит |
|
|
BWO |
16 бит |
|
|
Патч размер |
8х8 пикселей |
|
Начальное значение параметра() |
-р~р |
|
|
Начальное значение параметра |
-1~1 |
|
Целевой диапазон квантования(вес, порог) |
-5~5 |
Число скрытых нейронов слоя, которое сильно влияет на значение R, зависит от экспериментальных ситуациях. Квантование для BH и BWO делается такой функцией квантования, как показано на рис. 28 [22].
Рис. 28. Пример квантования функции
5.3 Кодирование алфавита
Рис. 29. Примеры графических символов алфавита
6. Инструментарий MATLAB NEURAL NETWORK TOOL. Сеть Кохонена
Успех нейронных сетей объясняется тем, что была создана необходимая элементная баз для реализации нейронных сетей, а также разработаны мощные инструментальные средства для их моделирования в виде пакетов прикладных программ. К числу подобных пакетов относится пакет Neural Networks Toolbox (NNT) системы математического моделирования MATLAB 6 фирмы Math Works.
MATLAB (сокращение от англ. «Matrix Laboratory») -- пакет прикладных программ для решения задач технических вычислений и одноимённый язык программирования, используемый в этом пакете. MATLAB используют более 1 000 000 инженерных и научных работников, он работает на большинстве современных операционных систем, включая Linux, Mac OS, Solaris и Microsoft Windows.
Пакет прикладных программ NNT содержит средства для построения нейронных сетей, базирующихся на поведении математического аналога нейрона. Пакет обеспечивает эффективную поддержку проектирования, обучения, анализа и моделирования множества известных типов сетей - от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей.
Модели Кохонена (рис. 30.) выполняется решение задачи нахождения кластеров в пространстве входных образов.
Данная сеть обучается без учителя на основе самоорганизации. По мере обучении вектора весов нейронов стремятся к центрам кластеров - групп векторов обучающей выборки. На этапе решения информационных задач сеть относит новый предъявленный образ к одному из сформированных кластеров, указывая тем самым категорию, к которой он принадлежит.
Рис. 30. Сеть Кохонена
Рассмотрим архитектуру НС Кохонена и правила обучения подробнее. Сеть Кохонена, также как и сеть Липпмана-Хемминга, состоит из одного слоя нейронов. Число входов каждого нейрона равно размерности входного образа. Количество же нейронов определяется той степенью подробности с которой требуется выполнить кластеризацию набора библиотечных образов. При достаточном количестве нейронов и удачных параметрах обучения НС Кохонена может не только выделить основные группы образов, но и установить "тонкую структуру" полученных кластеров. При этом близким входным образам будет соответствовать близкие карты нейронной активности (рис. 31.).
Рис. 31. Пример карты Кохонена. Размер каждого квадратика соответствует степени возбуждения соответствующего нейрона.
Обучение начинается с задания случайных значений матрице связей . В дальнейшем происходит процесс самоорганизации, состоящий в модификации весов при предъявлении на вход векторов обучающей выборки. Для каждого нейрона можно определить его расстояние до вектора входа:
Далее выбирается нейрон m=m*, для которого это расстояние минимально. На текущем шаге обучения t будут модифицироваться только веса нейронов из окрестности нейрона m*:
Рис. 34. Обучение сети Кохонена
Первоначально в окрестности любого из нейронов находятся все нейроны сети, в последствие эта окрестность сужается. В конце этапа обучения подстраиваются только веса самого ближайшего нейрона. Темп обучения h(t)<1 с течением времени также уменьшается. Образы обучающей выборки предъявляются последовательно, и каждый раз происходит подстройка весов.
Результирующую карту удобно представить в виде двумерного изображения, на котором различные степени возбуждения всех нейронов отображаются квадратами различной площади. Пример карты, построенной по 100 нейронам Кохонена, представлен на рис.7.2.
Каждый нейрон несет информацию о кластере - сгустке в пространстве входных образов, формируя для данной группы собирательный образ. Таким образом НС Кохонена способна к обобщению. Конкретному кластеру может соответствовать и несколько нейронов с близкими значениями векторов весов, поэтому выход из строя одного нейрона не так критичен для функционирования НС Кохонена.
Заключение
Некоторые сравнительные исследования оказались оптимистичными, другие - пессимистичными. Для многих задач, таких как распознавание образов, пока не создано доминирующих подходов. Выбор лучшей технологии должен диктоваться природой задачи. Нужно пытаться понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем. Подобные усилия могут привести к синергетическому подходу, который объединяет КНС с другими технологиями для существенного прорыва в решении актуальных проблем. Ясно, что взаимодействие и совместные работы исследователей в области КНС и других дисциплин позволят не только избежать повторений, но и (что более важно) стимулируют и придают новые качества развитию отдельных направлений.
В настоящее время идет активное исследования альтернативных методов вычислений, таких как вычисления при помощи квантовых компьютеров и нейровычислителей. Оба направления дают нам большие возможности в параллелизме, однако рассматривают этот вопрос с разной стороны. Квантовые компьютеры позволяют выполнить операцию над неограниченным количеством кубитов одновременно, что может многократно увеличить скорость вычислений. Нейровычислитель же позволяет параллельно выполнять много различных простых задач на большом количестве примитивных процессоров, и получить в итоге результат их работы. Учитывая то, что основной задачей нейрокомпьютеров является обработка образов. При параллельной архитектуре эта задача выполняется гораздо быстрее, чем в классической последовательной. В то же время нейронные компьютеры позволяют нам получить универсальные и в то же время «живучие» системы, из-за их однородной структуры.
В работе я попыталась изложить систематическое введение в теорию Квантовых Нейронных сетей, а также помогла приблизиться к ответу на важный вопрос: являются ли Квантовые Нейронные сети долгожданным магистральным направлением, в котором будет продолжаться развитие методов искусственного интеллекта, или же они окажутся веянием своеобразной моды, как это ранее было с экспертными системами и некоторыми другими аппаратами научных исследований (например, диаграммами Фейнмана), от которых вначале ожидали революционных прорывов. Постепенно эти методы обнаруживали свои ограничения и занимали соответсвующее место в общей структуре науки.
Объяснены главные принципы их устройства и работы.
Список литературы
1. Амбарян Т.Р. ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛЕНИЯ В НЕЙРОННЫХ И КВАНТОВЫХ СЕТЯХ // Труды СПИИРАН. Вып. 1, т. 3. -- СПб: СПИИРАН, 2003.
2. Noriaki Kouda, Nobuyuki Matsui, Haruhiko Nishimura, Ferdinand Peper Qubit neural network and its learning ef?ciency Neural Comput & Applic (2005) 14: 114-121 с 115-121
3. L1 Fei, DONG Xiaoliang, ZHAO Shengmei, ZHENG Baoyu A LEARNING ALGORITHM FOR QUANTUM NEURON tCSP'04 Proceedings с 1538-1541
4. NORIAKI KOUDA, NOBUYUKI MATSUI, HARUHIKO NISHIMURA, and FERDINAND PEPER An Examination of Qubit Neural Network in Controlling an Inverted Pendulum Springer 2005 с 278-284
5. Ivancevic V. G., Ivancevic T.T. Quantum neural computation. - Tokyo: Springer - Verlag. - 2009.
6. Литвинцева Л.В., Ульянов С.В., Интеллектуальные системы управления. Ч. I: Квантовые вычисления и алгоритм самоорганизации // Изв. РАН. - ТиСУ, 2009. - № 6. - С. 69 - 97.
7. Макаров И. М., Лохин В. М., Манько С. В. и др. Искусственный интеллект и интеллектуальные системы управления. - М.: Наука. -2006.
8. S.V. Ulyanov Quantum soft computing via robust control Part 1: Quantum optimization and quantum consciousness learning - the model background YAMAHA Motor Europe N. V. R & D Office Via Bramante, 65, 26013 CREMA(CR) , Italy
9. G.G. Rigatosa, S.G. Tzafestas Quantum learning for neural associative memories Fuzzy Sets and Systems 157 (2006) 1797-1813
10. M. ANDRECUT and M. K. ALI A QUANTUM PERCEPTRON International Journal of Modern Physics B, Vol. 16, No. 4 (2002) 639-645
11. Massimo Panella, Member, IEEE, and Giuseppe Martinelli, Life Senior Member, IEEE Neurofuzzy Networks With Nonlinear Quantum Learning IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 17, NO. 3, JUNE 2009
12. Gerasimos Rigatos Energy spectrum of quantum associative memories Sheraton Vancouver Wall Centre Hotel, Vancouver, BC, Canada July 16-21, 2006
13. Michiharu Maeda, Masaya Suenaga, and Hiromi Miyajima A Learning Model in Qubit Neuron According to Quantum Circuit
14. Noriaki Kouda, Nobuyuki Matsui, Haruhiko Nashmuran Learning Performance of Neuron Model based on Quantum Superposition Ybvfn Interactive Communication Osaka, Yapan - September 2000 c 113-116
15. JEAN FABER , GILSON A. GIRALDI Quantum Models for Arti?cial Neural Network National Laboratory for Scienti?c Computing - Av. Getulio Vargas, 333, 25651-070 Petropolis, RJ, Brazil Ўfaber,gilsonў@lncc.brBassam Aoun Mohamad Tarifi Quantum Networks
16. Mitsunaga Kinjo, Shigeo Sato, and Koji Nakajima A Study on Learning with a Quantum Neural Network 2006 International Joint Conference on Neural Networks Sheraton Vancouver Wall Centre Hotel, Vancouver, BC, Canada July 16-21, 2006 c 203-206
17. Riley T. Perry The Temple of Quantum Computing Version 1.0 - December 19, 2004 c 23-25, 114-129
18. Смолин Д. В. ВВЕДЕНИЕ В ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ - М.: ФИЗМАТЛИТ, 2004. - 208 с.
19. Нипалков А. В., Прагина Л. Л., Мозг человека и искусственный интеллект. - М.: Изд-во Москв. ун-та, 1985, с 120
20. Заенцев И. В. Нейронные сети: основные модели. - В.: Изд-во Воронеж. ун-та, 2000, с.24-40
21. Ульянов С. В., Андреев Е. И., Афанасьева О.А., и др. Логические и квантовые парадоксы интеллектуальных квантовых и мягких вычислений // Системный Анализ в науке и Образование , 2010. - №2.
22. NORIAKI KOUDA, NOBUYUKI MATSUI, HARUHIKO NISHIMURA Image Compression by Layered Quantum Neural Networks// Kluwer Academic Publishers,2002 Neural Processing Letters 16: 67-80, 200
23. Lee Spector, Automatic Quantum computer programming a Genetic Programming Approach - Hampshire College - 2001.
Размещено на Allbest.ru
Подобные документы
Понятие искусственного интеллекта. История развития систем искусственного интеллекта. Самообучение искусственного интеллекта. Квантовые компьютеры и нейрокомпьютеры. Основы нейроподобных сетей. Некоторые сведения о мозге. Реально ли компьютерное мышление.
курсовая работа [220,1 K], добавлен 06.10.2008Знакомство с задачей отслеживания нестационарного гармонического сигнала на основе нейронной сети. Анализ компьютерной модели нейронной сети на основе математических алгоритмов Мак-Каллока и Питтса. Характеристика способов создания линейной сети.
контрольная работа [418,2 K], добавлен 17.05.2013Разработка нейронной сети, выполняющей задачу распознавания и обучения. Использование пакета Simulink программы Matlab. Проектирование архитектуры нейронной сети, удовлетворяющей поставленной задаче. Создание модели импульсного двухпорогового нейрона.
дипломная работа [2,7 M], добавлен 14.10.2010Системы искусственного интеллекта как предпосылки создания робототехники. Теоретические основы систем искусственного интеллекта, особенности их прикладных задач. История и основные перспективы развития робототехники. Современное состояние роботизации.
курсовая работа [435,3 K], добавлен 14.04.2014Понятие и применение нейронных сетей, особенности классификации искусственных нейронных сетей по Терехову. Решение задачи классификации римских цифр на основе нейронной сети. Составление блок-схемы алгоритма обучения нейронной сети и анализ ее качества.
дипломная работа [603,9 K], добавлен 14.10.2010Принцип работы и назначение кабельной распределительной сети, проблема ее технического обслуживания. Разработка и практическое внедрение измерительного комплекса "ОК" для настройки и контроля работоспособности кабельной сети в диапазоне обратного канала.
дипломная работа [882,2 K], добавлен 23.06.2009Особенности проектирования и модернизация корпоративной локальной вычислительной сети и способы повышения её работоспособности. Физическая структура сети и сетевое оборудование. Построение сети ГУ "Управление Пенсионного фонда РФ по г. Лабытнанги ЯНАО".
дипломная работа [259,1 K], добавлен 11.11.2014Характеристика сети, типы модулей сети SDH. Построение мультиплексного плана, определение уровня STM. Расчет длины участка регенерации. Особенности сети SDH-NGN. Схема организации связи в кольце SDH. Модернизация сети SDH на базе технологии SDH-NGN.
курсовая работа [965,7 K], добавлен 11.12.2012Технология Ethernet, построение схемы сети и алгоритм работы. Показатели работы сети до и после ввода дополнительных станций, результатов аналитического и имитационного моделирования. Запуск процесса моделирования и анализ результатов базовой модели.
курсовая работа [357,5 K], добавлен 17.04.2012Wi-Fi - современная беспроводная технология передачи цифровых данных по радиоканалам. Телекоммуникационная сеть на основе технологии Wi-Fi. Выбор смежного узла для передачи информации по адресу. Пример логической нейронной сети, размещённой на узле.
доклад [25,3 K], добавлен 09.11.2010
