Нейро-автоматное управление Юрий Губин, СПбГУ ИТМО Анатолий Шалыто, СПбГУ ИТМО.

Презентация:



Advertisements
Похожие презентации
Нейро-автоматное управление в машинном обучении Выполнил: Губин Ю.А. ст. гр Руководитель: Шалыто А.А. д.т.н, проф., зав. каф. ТП, СПбГУ ИТМО.
Advertisements

Автоматное программирование А. А. Шалыто Санкт-Петербургский государственный университет информационных технологий, механики и оптики 2009 г.
Движение за открытую проектную документацию Анатолий Шалыто Кафедра Компьютерные технологии Санкт-Петербургский государственный университет.
Применение автоматного программирования во встраиваемых системах В. О. Клебан, А. А. Шалыто Санкт-Петербургский государственный университет информационных.
Разработка программного средства 3Genetic для генерации автоматов управления системами со сложным поведением Государственный контракт «Технология.
Linux Summit 2004, Хельсинки Движение за открытую проектную документацию Анатолий Шалыто Кафедра Компьютерные технологии Санкт-Петербургский.
Построение автоматов управления системами со сложным поведением на основе тестов с помощью генетического программирования Федор Николаевич Царев, СПбГУ.
Применение генетического программирования для построения автоматов А. А. Шалыто Г. А. Корнеев Санкт-Петербургский государственный университет информационных.
Автор: Вельдер С. Э., аспирант Руководитель: Шалыто А. А., доктор технических наук, профессор, заведующий кафедрой «Технологии программирования» Верификация.
Применение генетического программирования для реализации систем со сложным поведением Санкт-Петербургский Государственный Университет Информационных Технологий,
Применение метода представления функции переходов с помощью абстрактных конечных автоматов в генетическом программировании Царев Ф. Н. Научный руководитель.
Исследовательский центр СПбГУ ИТМО «Технологии автоматного программирования» Научный руководитель Шалыто А. А. Кафедра компьютерных технологий Кафедра.
Верификация автоматных программ Г. А. Корнеев А. А. Шалыто Санкт-Петербургский государственный университет информационных технологий, механики и оптики.
Графическая нотация наследования автоматных классов Данил Шопырин ЗАО «Транзас Технологии» Анатолий Шалыто СПбГУ ИТМО.
Прогнозирование финансовых рынков с использованием нейронных сетей Выполнила: Кокшарова А.А. ПНИПУ, ФПММ гр. ММЭм-12 Руководитель: к. ф.-м.н. Шумкова Д.Б.
ГЕНЕТИЧЕСКИЙ АЛГОРИТМ НАСТРОЙКИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Конференция «Технологии Microsoft в информатике и программировании», февраля 2004г.
«Современные техника и технологии 2004» Многоагентный нейроэволюционный подход к адаптивному управлению МНОГОАГЕНТНЫЙ НЕЙРОЭВОЛЮЦИОННЫЙ ПОДХОД К АДАПТИВНОМУ.
Автоматное программирование А.А. Шалыто Санкт-Петербургский государственный университет информационных технологий, механики и оптики 2007 г.
Докладчик: Бульёнов А. В., аспирант Научный руководитель: Шалыто А. А., д. т. н., профессор, зав. кафедрой КТ Методы автоматного программирования в разработке.
1. Cведения о нейронах и искусственных нейросетях.
Транксрипт:

Нейро-автоматное управление Юрий Губин, СПбГУ ИТМО Анатолий Шалыто, СПбГУ ИТМО

Содержание Автоматное программирование Нейросети и их использование М-автоматы Расширенное состояние Применение

Искусственный интеллект Нисходящий подход: – Экспертные системы – Базы знаний – Business Intelligence Восходящий подход: – Нейронные сети – Генетические алгоритмы и эволюционные вычисления

Автоматное программирование Парадигма предложена Шалыто А.А. 1991г.

Автоматы Из чего состоит: – Состояния – Группы – Переходы Использование: – Вложение – Наследование

Автоматы Достоинства: – Верификация – Программа по модели, не наоборот – Документирование Применение: – Протоколы – Компиляторы – Микроконтроллеры – Оборудование и агрегаты

Нейросеть Принцип организации и функционирования биологических нейронных сетей Норберт Винер 1943г.

Нейросеть Этапы использования: – Сбор данных для обучения – Выбор топологии сети – Экспериментальный подбор характеристик сети и параметров обучения – Обучение Объект управления / Система управления ?

Нейросеть Недостатки: – Ограниченность применения – Сложность с обучением Применение: – Предсказание финансовых временных рядов – Кластеризация данных – Аппроксимация – Сигнализация процессов

М-автомат Принятие решения: – Можно выделить несколько стадий – Есть условия и критерии – Можно выделить «путь размышления» Автоматы мышления: – Предложены Н.М. Амосовым в «Автоматы и разумное поведение» – Узел отвечает за определенное событие/чувство/характеристику

М-автомат Из чего состоит: – Узлы – Воздействия – Отношения Отдельный блок решения с неочевидной реализацией

Расширенное состояние Состояние с нейросетью Взаимодействие с нейросетью на входе в состояние

Расширенное состояние Строим путь принятия решения Состояние само создает воздействие Выделяем блок принятия решения в автомате

Расширенное состояние Параметры: – Тип нейросети – Количество входов, выходов – Список воздействий Обучение: – На этапе создания – В процессе работы – автомат помнит путь размышления Меняется настройка автомата, а не его структура

Пример Условия: – Кто: ежик – ходит вперед, ест грибы – Грибы – разный вес (10, 20, 40, -40) – Нельзя есть ядовитые грибы – Ежик не ест, когда наелся – На ход тратит 10, ест если набрал меньше 100 Блок принятия решений: – Блок принятия решений состоит из расширенных состояний – Обучаем при создании автомата

Пример Обученный: – Не отравился – Результат : 110 Не обученный: – Два раза отравился – Результат: 30

Направление развитие Применение : – Датчики и сигнализация – Комплексный анализ Развитие: – Эксперименты – Сталкивание с генетическими алгоритмами

Ссылки Автоматное программирование: UniMod Библиотека для создания автоматов:

Спасибо за внимание!