Classification des systèmes hybrides. Grande encyclopédie de pétrole et de gaz

(HV) est une voiture, au minimum, avec deux convertisseurs d'énergie différents et deux systèmes d'accumulation d'énergie différents (dans une voiture) pour voiture entraînement.

D'une part, des hybrides diffèrent de leur conception (parallèle, série, combinée, combinée ou ramifiée) et, d'autre part, selon le degré d'électrification (micro, molle et hybride complet).

Si la voiture obtient de l'énergie non seulement du carburant, mais à partir du réseau électrique, elle s'appelle l'hybride de plug-in (plug-ln-hybride).

Classification dans la conception

Photo. Hybride parallèle

• Réservoir de carburant (t)
• Batterie rechargeable (B)
• Moteur électrique (E)
• DVS (V)
• Transmission (g)

Dans des hybrides parallèles, le moteur et le moteur électrique affectent ensemble la transmission. Les deux moteurs peuvent être de plus petite taille que s'ils étaient installés dans la voiture et travaillés séparément. Étant donné que le moteur électrique est utilisé simultanément en tant que générateur, la génération d'énergie n'est pas possible pour déplacer le moteur électrique.

Photo. Hybride séquentiel.

• Réservoir de carburant (t)
• Batterie rechargeable (B)
• Moteur électrique (E)
• DVS (V)
• Générateur (Gen)

Dans des hybrides consécutifs, seul le moteur électrique est affecté par la transmission. DVS entraîne un générateur électrique qui tourne le moteur électrique et charge la batterie. L'hybride série fonctionne dans des endroits sur l'électricité propre lorsque la batterie chargée est chargée et donc très proche du véhicule électrique.

Par conséquent, il est également appelé véhicule électrique avec une course agrandie (extension de plage).

Photo. Hybride combiné ou ramifié

• Réservoir de carburant (t)
• Batterie rechargeable (B)
• Moteur électrique (E)
• DVS (V)
• Générateur (Gen)
• Onduleur (l)

L'hybride combiné combine un hybride parallèle et cohérent sous la hotte. DVS au moyen d'un générateur et batterie rechargeable Prépare l'énergie pour le moteur électrique ou directement connectée au lecteur. La commutation et la connexion entre deux états sont effectuées automatiquement.

Photo. Hybride connecté

• Réservoir de carburant (t)
• Batterie rechargeable (B)
• Moteur électrique (E)
• DVS (V)
• Générateur (Gen)
• Prise (s)

Dans les hybrides enfichables, la batterie est chargée non seulement du moteur et du réseau. Ainsi, l'hybride connecté peut passer de longues distances sur l'électricité propre. L'hybride plug-in est la prochaine étape du développement de véhicules électriques.

Classification d'électrification

Microgride.

Malgré le fait que les soi-disant microhybrides avec la récupération de l'énergie de freinage et de l'automatie commenceront aujourd'hui, apportent une contribution significative à l'économie de carburant et de réduire l'émission de substances nocives dans l'atmosphère, ils n'affectent pas le lecteur. Par conséquent, dans le sens étroit du mot, ce ne sont pas des voitures hybrides.

Un exemple de système de microhybride

Le système I-Stars de Valeo peut arrêter le moteur même jusqu'à ce que la voiture s'arrête, c'est-à-dire dès que la vitesse tombe en dessous de 8 km / h (dans le cas d'une transmission automatique) et de 20 km / h (dans le cas de une transmission manuelle). Ainsi, la consommation de carburant est optimisée et la conduite de la voiture est simplifiée. La fonction régénératrice du frein est déclenchée dès que le conducteur enlève sa jambe avec la pédale d'accélérateur. Le système envoie ensuite un signal électronique au générateur de démarreur, à la suite de laquelle l'énergie cinétique de la voiture est convertie immédiatement en énergie électrique, la charge de la batterie. Cela permet de réduire considérablement la consommation de carburant.

Hybride mou

Un hybride mou ne fonctionne pas sur l'électricité propre. Le moteur électrique prend uniquement en charge la combustion interne.

L'énergie du moteur électrique vient, par exemple, de l'utilisation d'énergie de freinage.

Dans les voitures ordinaires, l'énergie du mouvement - ou l'énergie cinétique - est convertie lors du freinage en chaleur sur des disques de frein. La chaleur est simplement irrévocablement dans l'environnement. Dans les voitures hybrides, l'énergie cinétique est suivie par le générateur et s'accumule dans une batterie haute tension.

Exemple pour un système avec un lecteur hybride souple: Honda IMA (assistant moteur intégré)

Le démarreur de générateur est situé entre le moteur et la boîte au lieu du volant.

L'un des avantages des voitures avec un lecteur hybride doux est le fait que le moteur, qui implémente essentiellement son pouvoir dans la zone de révolutions moyennes et élevées, est associé aux avantages du moteur électrique, qui développe sa force sur des tours de faible. Le système hybride peut donc être considéré comme un amplificateur de puissance et d'efficacité.

En général, on peut dire que le débit d'essence est réduit au moyen de "réduction", ainsi que des émissions de l'environnement. Cependant, les clients ne sont pas prêts à prendre une faible puissance. Un véhicule d'entraînement hybride utilisant un moteur électrique peut compenser la puissance manquante, par exemple, pendant l'accélération ou l'accélération.

Photo. Honda-Ima Power et Couple caractéristique

Photo. Examen du système hybride Mercedes S400

1. 12-in-générateur
2. Moteur électrique
3. Transmission automatique à 7 vitesses
4. Module d'électronie de puissance
5. Module de batterie haute tension
6. Module convertisseur DC / DC
7. Batterie 12-B

Un autre exemple d'hybrides doux

Mercedes S 400 hybride a un lecteur hybride parallèle. Avec un tel concept d'entraînement, le moteur et le moteur électrique sont reliés mécaniquement aux roues motrices (circuit de moteur parallèle). La puissance des deux moteurs peut être résumée, entraînant une puissance de moteur séparée peut être plus petite. Le mouvement sur un moteur électrique est impossible.

Hybride complet

L'hybride complet est entraîné par des endroits uniquement par le moteur électrique. La base technique d'un hybride complet est un hybride ramifié, combiné ou cohérent.

Photo. Audi A1 E-tron en tant que solution hybride complète en série

Exemple d'une voiture avec un lecteur hybride complet

Audi A1 E-Tron est entraîné par un moteur électrique avec une puissance maximale de 75 kW / 102 ch. et couple maximal 240 nm. La transmission d'effort se produit avec une boîte de vitesses à une seule étape. Power A1 Lorsque vous travaillez uniquement sur l'électricité: 50 km. Si la batterie lithium-ion installée à l'avant de l'essieu arrière est déchargée, le plus petit modèle d'Audi est activé en tant qu'Opel Ampera ou Chevrolet Volt, avec un petit DVS.

Batterie aux ions lithium Il est situé à la base du corps devant l'essieu arrière pour optimiser la répartition du poids et le centre de gravité de la masse de la voiture A1 E-tron de 1,2 tonnes. La batterie lithium-ion pesant 150 kg a 12 kW / h conteneur.

Photo. Transmission avec deux moteurs électriques pour le lecteur

Un autre exemple

BMW X6 ActiveHybrid.

Les électrompoteurs puissants (67 kW / 91 HP et 63 kW / 86 ch) sont compactés dans la transmission active et à deux modes, dans la taille du boîtier avec une transmission automatique conventionnelle.

Selon la situation de la route, le lecteur est effectué ou au moyen de moteurs électriques, ou au moyen d'une combustion interne, ou alternativement par les deux lecteurs.

• En mode 1 à basse vitesse à l'aide d'une ligne électrométrique, tout d'abord, une réduction significative de la consommation de carburant est assurée et une force de poussée supplémentaire est créée.
• En mode 2, au contraire, la puissance transmise électriquement à grande vitesse tombe à une augmentation simultanée de l'efficacité des DVS (grâce à la correction du point de charge) et à l'efficacité de la consommation de carburant.

Et dans ce mode, les deux électromasters fonctionnent de différentes manières et, ainsi que la prise en charge électrique du lecteur et de la fonction génératrice, en particulier sont responsables des changements de vitesse efficaces.

Photo. L'emplacement des composants dans la voiture

1. Echangeur de chaleur de refroidissement de l'huile de transmission
2. Pipelines pour huile de transmission
3. Volant à deux disques
4. Fils haute tension
5. Boîtier actif de cas
6. Mécanisme de verrouillage hybride pour stationnement
7. Module de commande électro-hydraulique
8. Pompe à huile de transmission électrique / mécanique

Conduire pour des agrégats supplémentaires dans des automobiles avec un lecteur hybride complet

Le problème principal est le lecteur d'agrégats supplémentaires, qui, lors de l'arrêt du moteur, devraient fonctionner. Auparavant cité au moyen du moteur, les composants ne doivent désormais fonctionner que sur l'électricité.

Pompe à vide électrique

Fonctions de la pompe à vide:

• assurer une pression réduite dans l'amplificateur de force de freinage,
• maintenir une pression réduite en mode start / stop.

Amplificateur de direction électro-hydraulique

Pour utiliser le booster de direction lors d'une butée automatique du moteur, vous devez déconnecter l'amplificateur et le moteur et fournir un support de pilotage indépendant. Grâce à ce soutien, selon les besoins, optimiser simultanément la consommation de carburant.

Compresseur de climatiseur avec entraînement électrique

Pour assurer une capacité de refroidissement suffisante de la voiture, lors de l'arrêt automatique du moteur, vous devez déconnecter le climatiseur et le lecteur de compresseur de moteur et assurer un conditionnement intérieur indépendant, ainsi que le refroidissement indépendant de la batterie haute tension. Ceci est effectué à l'aide d'un compresseur de climatiseur avec un appareil électriquement entraîné. Grâce à ce refroidissement, la consommation de carburant est simultanément assurée. Le compresseur de climatisation électrique est responsable de la compression de l'aspiration, de la réfrigération et de la pompez dans le système. Le compresseur électrique du climatiseur, en fonction de la température d'évaporation, est régulé en douceur par l'unité de commande de climatiseur dans la plage de 800 à 9 000 minutes ^ -1.

Typiquement, la composante informatique principale des systèmes de calcul haute performance, y compris les grappes, est le processeur central. Cependant, en commençant déjà par des processeurs Intel486DX, un tel élément en tant que coprocesseur est apparu dans le cadre d'ordinateurs, qui peut être considérée comme une hybridation au niveau matériel.

Le problème principal est de trouver des moyens d'effectuer des tâches de calcul à l'aide d'un processeur graphique. Réaliser la demande de tels calculs, NVIDIA a présenté la plate-forme logicielle et matérielle CUDA à exécuter un code arbitraire sur le GPU. Avant l'apparition de Cuda, les programmeurs ont dû construire des systèmes hybrides de cartes vidéo ordinaires et les programmer à l'aide des API graphiques les plus complexes.

ATI a développé ses analogues Cuda pour les applications GPGPU. Ce sont des ruisseaux ATI et proches des technologies des métaux.

On s'attendait à ce que la nouvelle architecture Intel Larrabee soutiendrait la technologie GPGPU. Cependant, le produit est en fait libéré dans le cadre de la ligne Intel Mic, Xeon Phi ne supportait que des calculs usage général (Compatible avec x86_64), ayant perdu les possibilités du processeur graphique. Les options de Phi Xeon ultérieures ont été implémentées non seulement sous la forme de cartes d'extension PCI Express, mais également sous la forme d'un seul processeur central.

Caractéristiques techniques

GPU

Le GPU de puissance informatique élevé s'explique par les caractéristiques de l'architecture. Si les processeurs modernes contiennent plusieurs noyaux (sur la plupart des systèmes modernes De 2 à 8x, 2018, le nord peut survenir à 64x), le processeur graphique a été créé à l'origine comme une structure multicœur dans laquelle le nombre de cœurs est mesuré par des centaines (exemple - NVIDIA 1070 comporte 1920 noyaux). La différence d'architecture détermine la différence entre les principes du travail. Si l'architecture de la CPU assume un traitement d'informations cohérent, le GPU est historiquement destiné au traitement. infographiePar conséquent, il est conçu pour des calculs massivement parallèles.

Chacune de ces deux architectures a ses avantages. La CPU fonctionne mieux avec des tâches successives. Avec une grande quantité d'informations étant traitées, le GPU a un avantage évident. La condition n'est qu'une chose - un parallélisme doit être observé dans la tâche.

Envoyez votre bon travail dans la base de connaissances est simple. Utilisez le formulaire ci-dessous

Étudiants, étudiants diplômés, jeunes scientifiques qui utilisent la base de connaissances dans leurs études et leur travail vous seront très reconnaissants.

Systèmes hybrides

Auparavant, l'idée a expressément exprimé à plusieurs reprises que le système d'experts ne contient pas une forme de présentation de connaissances. Même dans de tels systèmes précoces que la mycine (voir chapitre 3), des informations spécifiques à domaine, stocké sous différentes formes - par exemple, sous la forme de règles génératrices et sous la forme des tables de paramètres médicaux. Des programmes similaires à centaure (voir chapitre 13), pourraient déjà être considérés comme hybrides en ce sens que diverses manières de la présentation des connaissances étaient combinées dans elles, puis ces connaissances ont été utilisées à des fins différentes - pour résoudre le problème et former l'explication.

Des systèmes de recherche tardive tels que Xplan (voir chapitre 16) avaient une architecture plus complexe dans laquelle divers outils logiciels et modèles ont été combinés pour développer et gérer des systèmes d'experts. Ces systèmes peuvent être considérés comme une autre étape par rapport à la coquille la plus simple prenant en charge le seul paradigme de programmation. Dans les systèmes basés sur la carte BULLETIN (voir chapitre 18), similaire à HearSay et BB, a combiné une variété de sources de connaissances pouvant avoir une structure interne complètement excellente.

Les systèmes que nous considérons dans ce chapitre marquent une promotion supplémentaire sur ce chemin - ils combinent des problèmes traditionnels de résolution des problèmes et des composantes de l'auto-apprentissage et de l'analyse critique. Le système ODYSSEUS est capable d'apprendre à spécifier la base de connaissances. Pour cela, deux techniques différentes sont utilisées: l'une est basée sur l'analyse des précédents et la seconde est sur l'analyse de l'explication. Les deux techniques sont relativement nouvelles et le lecteur sera capable de se familiariser brièvement avec eux dans ce chapitre. Ensuite, un programme dans lequel une conclusion logique basée sur des précédents est utilisée pour traiter des exceptions à partir des règles et l'outil principal de résolution des problèmes consiste à générer des règles. Le programme a des possibilités d'apprentissage potentielles pour de nouvelles règles. À la fin du chapitre, le système de récupération d'informations sur l'état scalir sera pris en compte, dans lequel de nombreuses méthodes symboliques classiques sont combinées à une approche basée sur des réseaux de connectivité.

Méthodes de formation dans le système ODYSSEUS

Les méthodes de formation considérées dans le chapitre 20 (versions et l'espace IDST) sont parfois appelées similarité. La mise en œuvre de la formation basée sur ces méthodes nécessite le traitement de grandes quantités d'informations - des exemples positifs et négatifs - à partir desquels les propriétés caractéristiques d'un nouveau concept sont récupérées.

Une alternative à ces méthodes sont des méthodes basées sur les explications (explanation), qui vous permettent de composer sur la base d'une seule instance d'apprentissage. Cela devient possible car dans de telles méthodes, le processus de généralisation "conduit" des connaissances spécifiques à une zone particulière. L'éducation basée sur des explications est déductive ou analytique, non empirique ou inductive. En d'autres termes, avec une telle méthodologie, une description du nouveau concept est formée à la suite d'une analyse de la copie présentée à la lumière des connaissances de base existantes.

La méthodologie de la production logique basée sur les précédents, consacrées au chapitre 22, vous permet de résoudre un nouveau problème, d'adapter les solutions précédemment obtenues à des problèmes similaires. La même technique peut également être utilisée pour apprendre, car si une solution formée précédemment est adaptée à un nouveau problème, elle peut être ajoutée au cas de précédents pour une utilisation future.

Vous trouverez ci-dessous plus en détail la méthodologie d'apprentissage basée sur des explications et la possibilité d'utiliser des précédents pour l'apprentissage de la machine.

L'expression basée sur la généralisation (généralisation d'EBG - explication) est indiquée indépendante de la présente zone une méthode d'utilisation spécifique des connaissances pour le sujet, afin de contrôler le processus de généralisation par le biais d'une seule instance d'apprentissage.

L'utilisation de la méthode EBG suppose que le système dispose des informations suivantes:

· Un exemple positif de l'échantillon de formation;

· Théorie du sujet;

· Définition du concept que le système devrait "explorer".

Pour formaliser ces idées, la langue est généralement utilisée programmation logique (Voir chapitre 8). En particulier, le concept est généralement représenté sous la forme d'un prédicat, ce qui caractérise le sous-ensemble de l'espace d'objets qui nous intéresse. Par exemple, le prédicat de la tasse (X) peut représenter le concept de "salon" (calculcence), qui est défini dans la langue PRolog sous la forme d'un petit navire de volume (petit), qui présente des propriétés ouvertes (ouvertes), stable (stable). Rappeler que l'expression

se lit comme "et vrai si b est vrai". Puis:

coupe (x): - Petit (x), Stable (X), ouvert (x).

La connaissance du sujet doit inclure les descriptions des conditions dont l'exécution est nécessaire pour que l'objet puisse être considéré comme «stable» (stable), par exemple, il est indiqué que l'objet doit avoir un fond plat, définition des propriétés. "Ouvrir" (ouvert) - par exemple, un objet doit avoir une forme concave et le centre de courbure doit être situé au-dessus de la base.

En tant qu'instance de l'échantillon de formation, nous spécifions un objet avec une forme concave à fond plat, dont le diamètre ne dépasse pas plusieurs pouces. L'instance doit "être accompagnée de" l'explication selon laquelle les propriétés spécifiées sont assez suffisantes pour représenter le concept de "vacances". L'échantillon est généralement décrit par un certain nombre de littéraux fondamentaux (littéraux terrestres), par exemple:

couleur (rouge, obj). Diamètre (4, obj).

plat (bas, obj). Concave (haut, obj).

Ces littéraux représentent un certain Obj Obj (fond rouge), concave et le centre de courbure est situé sur le dessus (haut concave). La connaissance de la zone présentée ci-dessous vous permet de reconnaître cette instance comme représentant le concept CIR:

petit (x): - diamètre (y, x), y< 5.

stable (x): - plat (bas, x).

ouvert (x): - concave (haut, x).

Veuillez noter que l'objet Obj est une tasse, vit logiquement de ce fragment de connaissances. Notre explication est la raison pour laquelle Obj est une tasse, en réalité il y a une preuve. Cela complète la phase de clarification dans EBG.

Ensuite, la phase de généralisation commence - un ensemble de conditions suffisantes existantes lorsqu'il est expliqué est généré. La principale chose à faire est de déterminer les conditions les plus faibles suffisantes pour conclure sur la base des connaissances existantes pour conclure que OBJ est une tasse. La synthèse résultante du concept est qu'une tasse est un objet fond plat, concave, avec le centre de courbure en haut et avec un diamètre inférieur à 5:

tasse (x): - plat (bas, x), concaveftop, x), diamètre (y, x), y< 5.

Veuillez noter que cette généralisation résulte logiquement de la définition initiale du concept de "cériiformité" et des connaissances de base sur ce qui est "petit volume", "stabilité" et "ouverture". En ce sens, une nouvelle généralisation a déjà été présentée implicitement dans les connaissances auparavant disponibles. L'analyse de l'échantillon présenté a permis de rendre cette généralisation explicite. En outre, l'utilisation d'un formé à l'avance de la définition généralisée de «la forme de la coupe» nous a permis d'ignorer complètement les caractéristiques insignifiantes, dans la présente affaire.

Formation basée sur les précédents (apprentissage basé sur la CBL) est une approche de l'apprentissage, une méthode complètement opposée d'EBG. Comme indiqué au chapitre 22, l'extraction d'informations avec cette approche repose principalement sur la ressemblance des arguments et non sur leur analyse logique. Il est possible d'affirmer correctement que le processus d'adaptation de la décision précédemment formulée à un nouveau problème n'inclut pas les généralisations dans le sens de la programmation logique. En tant que moyen supplémentaire de garantir l'utilisation de connaissances sur les relations entre les entités du sujet, la hiérarchie des abstractions peut être utilisée notamment sous la forme d'un réseau sémantique. Cependant, le résultat ne sera pas de nouvelles règles, notamment des variables, mais de nouveaux précédents formés de l'ancienne substitution des constantes.

Le raisonnement fondé sur des précédents est en fait raisonnant par analogie et non une conclusion logique. Si quelqu'un vient à la conclusion que John, propriétaire de Porsche, - le conducteur incliné à risque, car il y a un précédent que Jack, qui va à Ferra-Ri, est également enclin à risque, c'est en fait une conclusion - John regarde Comme Jack, puisque la voiture Porsche a beaucoup en commun avec Ferrari. La conclusion suggère que lorsqu'une telle analogie est construite, chaque précédent génère implicitement une certaine règle. Dans notre exemple, une telle règle généralisée est que les personnes qui vont aux voitures de sport sont sujettes aux risques. Mais une telle règle n'est pas complète. Tous les conducteurs de voitures de sport sont-ils sujets aux risques, ou seulement des conducteurs d'hommes, ou des jeunes? Un programme utilisant les méthodes de raisonnement basé sur des précédents ne peut pas répondre à une telle question. Il est capable que de trouver le précédent, qui est le plus proche du cas considéré.

Il y a quelque chose en commun entre CBL et les méthodes EBG. Les deux méthodes peuvent être opposées à des méthodes inductives décrites au chapitre 20, car aucune autre n'implique l'analyse d'une grande quantité de données. Nous avons déjà montré que la méthode EBG suffit à avoir une instance d'entraînement et la méthode CBL pour la formation d'une analogie peut faire avec un précédent approprié.

Mais l'apprentissage est quelque chose de plus qu'une juste accumulation d'informations. Un système basé sur l'analyse des précédents doit avoir la possibilité d'identifier des précédents inappropriés qui ne permettent pas d'obtenir une solution satisfaisante au problème de pressage. Sinon, il accumulera des précédents avec des solutions erronées.

Le programme de chef décrit au chapitre 22 est capable d'identifier la situation dans laquelle elle constitue une recette infructueuse et tente de le corriger. Pour ce faire, le programme doit expliquer pourquoi il croit que la recette est infructueuse. Ce programme nécessite d'utiliser certaines connaissances du sujet, ce qui devrait en l'occurrence la forme des règles de la liaison causale.

Par exemple, les modules d'extraction et de modification peuvent offrir des crevettes, puis les nettoyer. Mais dans ce cas, les crevettes deviendront trop humides et, dans la recette, il ne sera pas possible de mettre en œuvre la propriété "Crevettes purifiée" dans l'ordre. Le programme le trouvera lorsque vous essayez de simuler le processus de cuisson d'un plat par une ordonnance. Ensuite, un autre système du système responsable de la récupération se tournera vers la connaissance des types d'erreurs dans les recettes, supprimera une stratégie appropriée pour corriger la situation et répéter la phase de compilation de la recette. Dans une nouvelle recette, vous avez d'abord besoin de nettoyer les crevettes, puis de les mariner.

Même après une solution reçue pour un nouveau cas, le programme ne sera pas en mesure de l'indiquer correctement avant de comprendre pourquoi cette décision est considérée comme une réussite. Si l'utilisateur commande un plat léger, faible en gras et si un programme, manipulant les recettes précédentes, formé un nouveau, ce résultat peut alors être utilisé à l'avenir uniquement après les signes de fonctionnalités "Lumières" et "non grandes" être associé.

Systèmes ODYSSE ET MINERVA

Le programme ODYSSEUS apprend à améliorer la base de connaissances des systèmes d'experts destinés à résoudre les problèmes de classification heuristique (voir chapitres 11 et 12). Elle regarde comment l'expert résout le problème et forme une explication de l'action de chaque expert (par exemple, demandant à un expert, pourquoi un certain attribut est attribué à une ou une autre valeur). La formation d'explications repose sur ces connaissances sur la zone problématique et la stratégie de résolution des problèmes que le programme a. Si le programme ne formule pas une explication, le processus de correction des connaissances est initié.

Minerva Expert System Shell

Minerva-- Il s'agit d'une coquille d'experts, développée sur la base de l'Emycine et de la néomycine (voir chapitres 10-12). Le système Minerva fournit une base de connaissances Odyssee et une méthode de résolution de problèmes et est conçue spécifiquement pour prendre en charge la méthode d'apprentissage EBL. L'une des principales différences du système Minerva de Emycine est qu'elle contient non seulement une connaissance du sujet, mais également des connaissances stratégiques reflétant une méthode de praticien de pensée. Ces connaissances peuvent être considérées comme un autre développement de systèmes de métaporil mycin, de l'émycine et de la néomycine.

La composante principale de ce système est la base de données des connaissances médicales sur le diagnostic de la méningite et d'autres maladies neurologiques. Minerva est implémentée dans la langue PRAGolog et la connaissance du sujet est présentée dans ce système sous forme de phrases de corne (voir chapitre 8), mais les règles du contenu sont similaires à celles utilisées dans Mycin. Par exemple, l'expression suivante représente le fait que la photophobie peut être associée à un mal de tête:

conclure (migraine-mal de tête, oui)

: - Recherche (photobia, oui).

La connaissance de l'état du problème est enregistrée sous forme d'expressions pour des faits dans le processus de fonctionnement du système. Par exemple, expression

appliqué de la règle (Rulel63).

il prétend que lors du fonctionnement du système, la règle 123 a été activée et que ces informations sont disponibles pour le programme dans le processus de poursuite des travaux. Autre expression simple

différentiel (migraine-mal de tête, tension-maux de tête).

corrige le fait que la migraine et la pression accrue sont des hypothèses de courant prolongées par le programme.

De toute évidence, ces informations peuvent être représentées et enregistrées de quelque manière que ce soit, comme l'installation des drapeaux ou des variables, mais le plus approprié d'utiliser la même idée que la base de connaissances est prise dans la base de données.

Facile de métaporo peut être représenté dans formulaire suivant: Objectif (Findout (P)): - Non (conclu (P)), Demander-l'utilisateur (P).

Cette règle prétend que si l'objectif actuel du système est de trouver la valeur du paramètre p et si le système ne peut pas conclure la valeur de ce paramètre en fonction des connaissances disponibles, elle doit la demander à l'utilisateur. Étant donné que p est une variable, la partie de la tête de l'objectif d'expression (Findout (P)) est comparée à l'expression de la cible du système représenté explicitement, par exemple un objectif (F indauté (température)). Il semble que ce ne soit pas (conclu (p)) peut être mappé (avec succès ou non) avec des données système décrivant l'état actuel du processus de calcul, par exemple conclu (température).

Ces connaissances stratégiques sont utilisées pour élaborer des jugements sur l'état actuel du problème et décider si le système dispose de connaissances suffisantes dans ce cas. En outre, la disponibilité de telles connaissances simplifie le programme de formation, qui peut se référer aux structures de la métisseur du système d'experts.

Formation dans le système Odysseus

La méthode de formation utilisée dans le système ODYSSEUS est significativement différente de celles examinées au chapitre 20. Dans le développement de ce système, l'objectif a été poursuivi pour l'améliorer avec la capacité d'élargir la base de connaissances incomplète existante et de ne pas inclure de nouvelles concepts sur la base des connaissances sur la base d'un échantillon de formation à grande échelle. Le système apprend, "regarder" comme un expert résout la tâche, de la manière dont l'étudiant diligent comporte les sacrements des compétences de l'enseignant, debout derrière lui.

Le principal type d'action effectué par l'expert en train de résoudre le problème de diagnostic est de déterminer les valeurs de différentes variables, c'est-à-dire caractéristiques du patient, telles que la température, etc. Le programme, surveille le travail de l'expert, élargit ses connaissances, essayant de comprendre pourquoi l'expert avait besoin d'une réponse à une question ou à une autre.

Ainsi, le concept de processus d'apprentissage dans le système ODYSSEUS est très proche de la formulation de l'explication. En fait, dans le contexte des travaux de ce système, la signification du terme "explication" diffère des deux généralement acceptées et sur ce que nous avons attaché à lui au chapitre 16. Dans l'Odysseus, une explication est le type de preuve que l'information est sur la raison pour laquelle l'expert pose une certaine question sur une scène spécifique résolvant le problème du diagnostic. Le sens d'une certaine question est associé à la fois à l'état actuel du problème et de la stratégie utilisée par l'expert. Par conséquent, "Murray", pourquoi la question a été posée, le programme semble comprendre la stratégie d'action de l'expert.

Si le programme dispose de connaissances complètes, il est capable de formuler une question (ou plutôt de la déclaration derrière elle) comme une conséquence logique de l'état actuel du problème, des connaissances stratégiques enfermées dans les métaporvilles, la connaissance du sujet et l'un des Objectifs actuels.

Par exemple, si vous émetteur (TEMPRATURE) est spécifié, la vue inversée nous conduira à la cible de but la plus proche (FDOUTURE).

Mais cet objectif est à son tour formé l'objectif d'un niveau supérieur, par exemple, le désir d'appliquer une certaine règle ou de produire la séparation des hypothèses. La présence d'une cible aussi de haut niveau dans la situation actuelle explique pourquoi la cible d'un niveau inférieur a été formée et donc pourquoi une certaine question a été posée. Cette chaîne inverse de raisonnement des contributions aux buts est effectuée par les moyens habituels de la langue PRAGolog ou même de la mycine, mais font attention - ces arguments sont effectués sur Meaurarovna, c'est-à-dire. Au niveau qui détermine pourquoi le programme fonctionne exactement, et non autrement. Utilisé dans le système d'apprentissage Odysseus "en raison du dos" comprend trois phases principales.

· Détermination de la faille dans la base de données. Un tel défaut détecte lui-même lorsqu'il n'est pas possible de former une explication aux actions de l'expert en utilisant la méthode de visualisation affichée décrite ci-dessus. L'échec de cette nature sert de signal qu'il est temps de commencer à apprendre.

· Formation de propositions visant à modifier la base de connaissances. S'il n'était pas possible de former une preuve (explication dans la terminologie ODYSSEUS), cela signifie que cela peut être supposé qu'il existe une sorte de faille dans la connaissance du sujet ou de l'état du problème. S'il s'agit d'une insuffisance de connaissances sur le sujet, vous pouvez ajouter temporairement une phrase appropriée à la base et voir si la preuve sera formée après cela. Si la faille existe dans la connaissance de l'état du problème, le programme devrait rechercher une autre preuve.

· Faire des modifications à la base de connaissances. La méthode utilisée dans le système ODYSSEUS pour apporter des modifications à la base de connaissances s'appelle une "procédure de confirmation de la décision prise". Si vous n'entrez pas dans les détails, il est nécessaire que le développeur système ait formé une procédure qui traitera de nouvelles règles en définissant, par exemple, combien le nombre d'hypothèses concurrentes diminuera à la suite de l'application de la règle.

Les détails de la mise en œuvre des phases énumérées vont au-delà de la discussion dans ce livre, mais les principes de base sont assez évidents. Dans la méthode utilisée, l'instance d'exemples d'apprentissage est une paire d'attributs distincte - une valeur, mais dans le processus de session d'apprentissage, de nombreuses paires peuvent survenir, car le programme tente d'expliquer pourquoi il donne la valeur à chacun de ces instances. Si vous ne pouvez pas créer une explication, le programme tente de modifier la base de connaissances.

Pour modifier les règles ou ajouter de nouvelles règles à la base de connaissances, le programme ODYSSES utilise également une méthode primitive et CBL. Le programme dispose d'une bibliothèque précédente, chacune contenant le diagnostic correct correspondant. Ce programme de bibliothèque peut utiliser pour tester. Si lorsque vous testez-le, le mauvais diagnostic est formé, le programme attribue les règles utilisées avec les règles de quelque chose comme des amendes.

Les règles préalables qui ont conduit à une conclusion erronée, "affaiblir", c'est-à-dire La zone de leur "application est réduite. Si l'utilisation des règles a confirmé le diagnostic correct précédemment effectué, les conditions préalables correspondantes sont" améliorées ". Dans cette procédure, il y a beaucoup en commun avec la méthode utilisée dans la méta- Système Dendral décrit au chapitre 20. Bien entendu, cette méthode modification des règles ne garantit pas de solutions au problème, mais elle peut être utile pour la configuration de nouvelles règles.

Utilisation de précédents pour la manipulation des exceptions

Dans cette section, nous examinerons la méthode de partage des règles et des précédents autres que ce qui est appliqué dans le système ODYSSEUS. Le rôle des précédents avec une nouvelle approche n'est pas de faciliter la modification des règles, mais afin de traiter les exceptions pour servir d'ajout à la connaissance que les règles sont présentées. Ainsi, chacun des composants est engagé dans le fait qu'il est mieux obtenu, les règles traitent des généralisations du sujet et des précédents avec des cas atypiques séparés.

Comme il n'a pas encore été démontré dans les chapitres précédents (voir, par exemple, chapitres 10-15), construire un ensemble de règles pour un système expert - la tâche n'est pas triviale. Outre les difficultés liées à l'extraction et à la présentation des connaissances, il existe également le problème de la couverture de la matière avec un ensemble de règles. Idéalement, la base de règles devrait être correcte et cohérente (au moins dans le cadre de la stratégie de résolution des conflits adoptée) et de la totalité. Mais comme le nombre de règles se développe et que les règles elles-mêmes sont compliquées, il devient de plus en plus difficile d'atteindre un tel état idéal.

Il est particulièrement difficile d'examiner dans les règles toutes les exceptions possibles. Cette tentative conduit à une complication d'urgence des règles. La déclaration selon laquelle il n'y a pas de règles sans exception, est depuis longtemps un lieu commun. Parfois, ce problème tente de résoudre l'inclusion dans un ensemble de "petites" règles, qui devraient être activées dans de telles situations exceptionnelles. Mais cela signifie imposer aux règles une fonction inhabituelle pour eux - à traiter non un cas général, mais privé.

Golding et Rosenbloh offrent d'utiliser une architecture hybride dans des systèmes d'experts, dans lesquelles, lors de la résolution des problèmes, la méthode d'utilisation de règles de génération est combinée aux procédés d'utilisation de précédents. L'idée était que le mécanisme de traitement précédent doit être utilisé pour analyse critique des résultats des règles. Cela se fait en trouvant des précédents similaires au cas considéré si ces derniers peuvent être considérés comme une exception à la règle. Cette approche exige que la base des précédents soit indexée par les règles appliquées. Les auteurs ont été offerts et la mesure correspondante de la proximité, ce qui permet d'estimer le degré de similitude de la présente affaire et du précédent (Fig. 23.1).

Architecture du système hybride à l'aide des règles et des précédents

L'idée principale du système est très simple et élégante. Premièrement, les règles s'appliquent pour résoudre le problème actuel, à la suite de laquelle une solution est formée. La bibliothèque précédente est ensuite visualisée pour l'identification du cas d'exception précédemment aux cheveux éoliennes des règles utilisées. L'algorithme de travail du système est présenté ci-dessous.

Cycle jusqu'à ce que la solution soit reçue

une . Pour sélectionner l'opération suivante pour utiliser les règles.

2. Recherche dans la bibliothèque "irrésistible" précédents, qui offrent l'option opposée à sélectionner une opération.

3. Si le précédent est trouvé, utilisez les options offertes. Sinon, utilisez l'option proposée par les règles.

Notez que l'appel aux règles et aux précédents est effectué dans chaque cycle. (Si le programme ne peut trouver aucune ni les règles qui pourraient être appliquées, ni un précédent, il s'arrête.)

Pour que l'idée proposée devienne réalisable, les précédents de la bibliothèque devraient être indexés par les règles qu'ils contreviennent. Considérez, par exemple, la règle des moteurs d'assurance des véhicules:

"Les hommes âgés de plus de 25 ans paient une prime d'assurance à un taux accru".

Cette règle devrait être due à la bibliothèque avec un précédent, qui fait référence au jeune homme de 18 ans, a réussi avec succès des tests d'une complexité accrue et de payer des frais au tarif réduit.

Sur la base de quelles considérations la décision est prise, le précédent "irrésistible" ou non? La solution proposée par l'or est la suivante. Lorsque nous effectuons une analogie entre le précédent et l'affaire en cours, nous formons donc une certaine règle implicite, cachée des yeux indispensables. Supposons que dans notre exemple, nous parlons d'un conducteur de 10 ans, qui a une qualification d'une catégorie accrue, et nous avons trouvé un précédent similaire, mais il s'agissait d'un conducteur de 8 ans de 8 ans. "Les hommes n'ont pas plus de 25 ans, ayant une catégorie de qualification accrue, paient une prime d'assurance à un tarif réduit."

Supposons que lors de l'évaluation du degré de proximité nécessaire à l'extraction et à l'analyse ultérieure des précédents, l'âge des conducteurs est divisé en gammes, disons "jusqu'à 25 ans", "de 25 à 65 ans" et "plus de 65 ans" et "plus de 65 ans vieille". Cette mesure de la proximité appréciera le cas et le précédent que nous considérons comme très similaires, depuis la catégorie d'âge et le sol coïncident.

Il est possible de tester cette règle et des autres précédents de la bibliothèque et d'évaluer le pourcentage des précédents détectés qu'elle couvre. Tout précédent avec un facteur d'homme d'une catégorie de qualification accrue, dont l'âge ne dépasse pas 25 ans et qui verse la contribution à un taux accru, sera considéré comme une exception et réduira donc la note précédente. Si des cas sont assez similaires, la règle est assez précise, l'analogie est considérée comme "irrésistible" et la composante du traitement des précédents "gagne". Sinon, les gains seront destinés à la décision jugée et la décision finale sera utilisée la règle suivante.

Ainsi, "irrésistible" dépend de trois facteurs:

· Les degrés de proximité des cas qui devraient dépasser un certain seuil;

· Précision de la règle implicite formulée à la suite de l'analogie identifiée; En tant que mesure de précision, la proportion de précédents est prise, ce qui confirme l'application de cette règle;

4 Précision des estimations de précision, qui est déterminée par la taille de l'échantillon sur lequel cette estimation est formée.

Les auteurs ont démontré les capacités de l'architecture proposée sur l'exemple de la tâche de déterminer la prononciation de noms. Le système qui a été mis en œuvre par eux, appelé ANAPRON, contient environ 650 règles linguistiques et 5 000 précédents. Les résultats des tests du système ont montré qu'il a une performance plus élevée que les analogues qui utilisent les règles ou uniquement des précédents.

Approche symbolique hybride et les réseaux de neurones

Dans cette section, la perspective d'utiliser des réseaux de neurones dans des systèmes d'experts sera envisagée. Les réseaux de neurones suggèrent un modèle complètement différent d'un processus informatique, fondamentalement différent de celui qui est traditionnellement utilisé dans les systèmes d'experts. À titre d'exemple, le système scalir sera considéré (approche symbolique et connexionniste de la récupération des informations juridiques).

Ce système aide l'utilisateur à trouver des documents juridiques - des descriptions des précédents ou des articles de lois - liés à un certain cas. Étant donné que la pratique juridique couvre tous les domaines de la vie de la société moderne, l'utilisation d'une approche traditionnelle basée sur des bases de connaissances ordinaires, à la recherche et à la suppression des informations juridiques nécessitera la présentation dans le système d'une énorme quantité de connaissances, de la plupart non provisoire, représentant des concepts aussi complexes en tant que droits, permis, responsabilités, accords, etc. Le problème est exacerbé en utilisant une langue naturelle lors de l'élaboration de demandes. La plupart des moteurs de recherche traitent des demandes de langage naturel utilisées pour rechercher en ligne À L'ÉCHELLE MONDIALE. Web, basé sur une approche statistique, pas aux bases de connaissances.

Le système tente de résoudre ce problème grâce à une combinaison d'une approche statistique de l'extraction d'informations et d'une approche basée sur les bases de connaissances dans lesquelles les liens sémantiques entre les documents sont pris en compte.

Les réseaux de neurones

En ce qui concerne les systèmes d'intelligence artificielle, en général, des systèmes d'experts, en particulier, vous pouvez parfois entendre les commentaires critiques suivants.

· De tels systèmes sont trop «fragiles» dans le sens où, ayant rencontré la situation non prévue par le développeur, ils forment des messages d'erreur ou donnent des résultats incorrects. En d'autres termes, ces programmes sont assez simples peuvent être "mis dans une impasse".

· Ils ne sont pas en mesure d'essayer de manière continue, en tant que personne en train de résoudre les problèmes émergents.

Dès le milieu des années 1980, de nombreux chercheurs ont recommandé d'utiliser des réseaux de neurones pour surmonter ces lacunes (et d'autres).

Sur la forme la plus simplifiée, le réseau neuronal peut être considéré comme une méthode de modélisation dans les systèmes techniques des principes d'organisation et de mécanismes pour le fonctionnement du cerveau humain. Selon des idées modernes, le cortex cérébral humain est un ensemble de cellules simples interdépendantes - neurones, dont le nombre est estimé par le nombre d'environ 10 10. Systèmes techniques dans lesquels une tentative est faite de se reproduire, bien qu'à une échelle limitée, une structure similaire (matérielle ou programmatique), les réseaux de neurones sont nommés.

Le neurone du cerveau reçoit des signaux d'entrée d'une pluralité d'autres neurones et les signaux ont un type d'impulsion électrique. Les intrants de Neuron sont divisés en deux catégories - passionnant et freinage. Le signal entré sur l'entrée d'excitation augmente l'excitabilité du neurone, qui, lorsqu'il est atteint un certain seuil, conduit à la formation d'une impulsion à la sortie. Le signal arrivant à l'entrée de freinage, au contraire, réduit l'incubativité du neurone. Chaque neurone est caractérisé par l'état interne et le seuil d'excitabilité. Si la somme des signaux sur les entrées de neurones d'excitation et de freinage dépasse ce seuil, le neurone génère un signal de sortie qui entre dans les entrées d'autres neurones associés à celui-ci, c'est-à-dire. L'excitation est distribuée sur le réseau de neurones. Le neurone typique peut avoir jusqu'à 10 jonnions J avec d'autres neurones.

Il a été constaté que le temps de commutation du neurone individuel du cerveau est d'environ quelques millisecondes, c'est-à-dire Le processus de commutation est assez lent. Par conséquent, les chercheurs ont conclu que la productivité élevée du traitement de l'information dans le cerveau humain ne peut être expliquée que par le fonctionnement parallèle de l'ensemble des neurones relativement lents et un grand nombre de relations mutuelles entre elles. Cela explique la diffusion généralisée du terme "parallélisme de masse" dans la littérature concernant les réseaux de neurones.

L'approche basée sur des réseaux de neurones est souvent considérée comme une non-posiabilité, ou subsisimvolique (subsisimbolique), puisque l'unité d'information principale à traiter n'est pas un symbole (tel que défini au chapitre 4), mais quelque chose de plus primitif. Par exemple, un symbole dans le programme LISP, disons à Mu Ordinateur portable, on pourrait imaginer un schéma d'activité d'un certain nombre de neurones connexes dans le réseau de neurones. Mais, étant donné que les réseaux de neurones sont souvent simulés par programme, le neurone lui-même est représenté par une structure logicielle, qui, à son tour, peut être mise en œuvre à l'aide de symboles. Par exemple, le rôle du neuron peut exécuter l'objet de données, qui contient des propriétés et des méthodes appropriées et des signes associés avec d'autres objets sur le réseau. Ainsi, au niveau conceptuel dans le système substriminel mis en œuvre programme d'ordinateurqui contient des caractères, il n'y a rien de paradoxal.

Quelle que soit la méthode de mise en œuvre, le réseau neuronal peut être considéré comme un graphe orienté pondéré de ce type, décrit au chapitre 6. Les nœuds de ce graphique correspondent aux neurones et aux nervures - connexions entre les neurones. Avec chaque connexion, le poids est associé - un nombre rationnel - qui affiche l'estimation du signal d'excitation ou de freinage transmis par cette connexion à l'entrée du neurone du destinataire lorsque l'émetteur de neurones est excité.

Étant donné que le réseau de neurones est clairement exprimé dynamique de nature, le temps est l'un des principaux facteurs de son fonctionnement. Lors de la simulation du réseau, le temps varie discrètement, et l'état du réseau peut être considéré comme une séquence d'images instantanées, et chaque nouvel état dépend uniquement du cycle précédent des neurones.

Pour effectuer un traitement de l'information à l'aide d'un tel réseau, la conformité avec certains accords est requise. Pour que le réseau devienne actif, il devrait obtenir un signal d'entrée. Par conséquent, certains nœuds de réseau jouent le rôle de «capteurs» et leur activité dépend des sources d'informations externes. L'excitation est ensuite transmise à partir de ces nœuds d'entrée à l'intérieur et s'applique donc sur le réseau. Ceci est généralement effectué en fixant un niveau élevé d'activité des nœuds d'entrée, qui est pris en charge pour plusieurs cycles d'excitation, puis le niveau d'activité est réinitialisé.

Une partie des nœuds de réseau est utilisée comme week-end et leur statut d'activité est lu à la fin du processus de calcul. Mais souvent l'intérêt est la condition de l'ensemble du réseau après la fin des calculs ou de l'état des nœuds avec un niveau d'activité élevé. Dans certains cas, les intérêts peuvent être surveillés par le processus d'installation de réseau dans un état stable et, dans d'autres, enregistrant le niveau d'activation de certains nœuds avant la fin du processus de distribution.

En figue. 23.2 montre un fragment d'un réseau de neurones constitué de quatre nœuds de capteur S 1 --S 4, dont l'excitation est transmise par d'autres nœuds de réseau. Un nœud, R, est un week-end. Si les poids du réseau sont inconnus, le nœud R sera excité lorsque les nations S 1 et S 4 sont excitées, mais si les nœuds S 2 et S 3 sont excités, cela sera excité de supprimer l'excitation r même avec des nœuds excités 5) et S 4. Si le noeud r est vraiment excité avec un tel état de signaux sur les entrées de nœuds sensoriels, dépend de la pesée des connexions réseau.

Le nombre de configurations de réseau possibles de ce type est très large. Le nombre de façons de calculer l'état du neurone à une quantité donnée d'États sur ses intrants est grande. Ces détails de la théorie des réseaux de neurones vont au-delà du cadre de ce livre. Ensuite, nous suivrons les idées de Rose (Rose) et envisagerons un modèle relativement simple du réseau neuronal, dans lequel tout nœud peut être associé à tout autre nœud et dans lequel la sortie du nœud est son état d'activité (c'est-à-dire aucune différence. est fabriqué entre activité de neurones et signal à sa sortie).

Fragment du réseau neuronal avec des cravates passionnantes et de freinage

· Pour un libellé plus strict d'un tel modèle, nous introduisons la notation suivante:

· W IJ - Poids de la communication du noeud J au noeud I,

· NET I \u003d Z J W IJ est l'heure actuelle de l'heure de saisie du nœud L associé à d'autres nœuds de réseau.

Avec toute définition du réseau neuronal, il est nécessaire de prendre en compte le facteur de temps, car l'état de tout neurone à un moment donné dépend de son état précédent et de l'état précédent des neurones associés à ses intrants.

Définition

Le réseau connecté (réseau connecté) peut être considéré comme un graphique orienté pondéré dans lequel les exigences suivantes sont effectuées pour chaque nœud I:

(1) L'état de l'activité de nœud à tout moment T est un nombre valide (nous l'indiquons comme un i (t));

(2) poids de la communication, qui lie le nœud I avec tout autre nœud du réseau, est un nombre valide avec IJ,

(3) L'activité du nœud à l'époque t + 1 est une fonction de

· Son activité à l'heure t, a i (t);

· Somme pondérée de signaux aux intrants à l'heure T, Net I (F);

· Entrée externe arbitraire x i (t).

Une caractéristique simple pour calculer l'état d'activité du nœud I, satisfaisant l'exigence (3) de la définition ci-dessus, a la forme

a i (t + 1) \u003d virgule j

Cela n'est cependant pas le seul moyen possible de déterminer l'activité. Les fonctions d'autres espèces comprennent l'ajout de thermions correspondant à la croissance ou à la décomposition de l'activité ou de fonctions différentielles non linéaires (voir, par exemple). Dans ce livre, ils ne seront pas pris en compte.

Lors de la construction d'un poids de réseau, une priori peut être attribuée ou modifiée au fil du temps. Dans ce dernier cas, le changement de balance est l'une des conséquences de l'activité du réseau. Le poids peut être considéré comme un reflet de la connaissance et le processus de configuration et de clarification est un processus d'apprentissage du système. Étant donné que les poids ont une incidence significative sur la répartition de l'activité du réseau, le comportement du réseau dépend en grande partie de celui-ci et, par conséquent, change de poids, vous pouvez modifier le comportement du réseau dans la direction souhaitée.

Comme indiqué ci-dessus, les connaissances sur le réseau de connectivité sont implicitement présentées, car un élément de structure particulier ne peut pas être distingué, ce qui représenterait une règle distincte ou une essence du sujet. Les connaissances reflétées dans des liens suspendus entre les myriades d'éléments de réseau individuels. Ainsi, dans ce cas, nous traitons des connaissances distribuées qui ne peuvent pas être soumises comme une simple liste d'éléments numériques ou symboliques. Pour cette raison, il est souvent possible d'approuver que dans les réseaux de neurones est soumis à un traitement subsisimvolique des informations.

Dans les réseaux de connectivité de réseau ne sont pas conservés sous forme déclarée, et ils ne peuvent donc pas être disponibles pour une interprétation par un processeur externe. L'accès aux connaissances et le processus de sortie logique ne peuvent être décrits que dans les termes de l'activité du réseau.

Bien entendu, rien n'empêche le constructeur de réseau pour associer ses nœuds individuels avec certaines entités du sujet, comme le faisait Rose dans le système scalir. Toutefois, une telle réflexion de concepts pour les nœuds de réseau ne contredit pas l'approbation précédemment rendue que les relations entre entités sont implicitement présentées sous la forme de connexions entre les nœuds et ne peuvent généralement pas être interprétées sous forme de règles. Par conséquent, bien que nous ayons partiellement ouvert le voile de la cache de mystère, qui est derrière les nœuds du réseau, l'essence de liens suspendus entre eux reste toujours "subsemblable".

Même si les nœuds représentent l'essence de la zone, le modèle global de l'activité des nœuds de réseau peut masquer les concepts d'un niveau suffisamment élevé, qui combinent certains aspects des entités représentées par des nœuds. Soit, par exemple, les nœuds représentent les mots et laissent les nœuds "course", la "voiture", "pilote" sont excités. Cela peut être représenté par le concept de "voiture de course de pilote" ou, au contraire, le fait de conduire une voiture de course. Dans tous les cas, une telle représentation peut être considérée comme des sous-stimaux, car les composants de ses nœuds ne peuvent pas être décorés sous la forme d'une structure syntaxique qui a un sens explicite. De la même manière, l'analyse sémantique de l'état des nœuds Myiriad peut être effectuée en utilisant tout ensemble de règles externe.

Scalir - un système hybride pour extraire des informations juridiques

Les nœuds de la structure du réseau du système scalir sont des précédents (cas examinés précédemment par les tribunaux), articles d'actes juridiques et mots importants (clés) trouvés dans ces documents. Ainsi, le réseau structurel est divisé en trois parties (couches), comme le montre la Fig. 23.3. Dans ce réseau, la couche précédente et la couche de législation sont divisées par une couche de nœuds représentant des mots-clés (termes). Ces derniers sont associés aux documents dans lesquels ils se trouvent.

Ainsi, dans la structure de base du réseau, la connexion entre les termes de termes et documents est formée par un schéma d'indexation avec des liaisons suspendues. En conséquence, une gamme de termes est affichée à la fois sur une gamme de précédents et sur un éventail d'actes juridiques.

Au lieu de lier chaque trimestre avec chaque document dans lequel il se trouve dans Scalir, le poids du terme pour chaque mot-clé associé au document en fonction de la fréquence de mention de ce terme dans ce document et la fréquence de sa mention tout au long de la matrice. des documents est calculé. Intuitivement semble que le terme qui convient le mieux à l'indexation d'un document sera tel que cela apparaît souvent dans ce document, mais rarement dans tous les autres. La valeur résultante est comparée aux seuils, à la suite de laquelle chaque document est indexé par une douzaine de mots-clés. (J'attire votre attention sur le fait que les obligations bidirectionnelles sont indiquées sur le schéma de réseau scalir. En fait, chacun d'entre eux est représenté dans le système par une paire de liaisons unidirectionnelles, et ces liens peuvent avoir des poids différents. Ainsi, pas seulement le Terme vous permet de trouver un document, mais le document peut également être trouvé le terme.)

Réseau de connectivité dans le système SCaure ()

Lors de la conception d'un réseau dans scalir, les nœuds ont été organisés pour tous les termes sélectionnés, puis ils se lient aux nœuds de documents et pesant les obligations en fonction de l'importance d'un terme dans le contexte de ce document.

Un tel type de connexions (dans la documentation qu'elles sont appelées avec des liens) n'est pas la seule à scalir. Il existe également des obligations symboliques (Communications S), qui rappellent largement des liens dans des réseaux sémantiques, étant marqués et ont des poids permanents. En utilisant les liens de ce type, le réseau présente des relations entre documents, par exemple, un document ci-dessus une autre, dans une décision judiciaire, une autre loi légale se réfère à une autre, etc. Ainsi, les communications S représentent explicitement les connaissances.

En général, le réseau Scalir Sieve contient environ 13 000 termes, environ 4 000 nœuds précédents et environ 100 nœuds de législation. Environ 75 000 connexions sont organisées entre les termes de termes et de précédents et environ 2 000 connexions sont organisées entre les termes de termes et législation. De plus, il y a environ 10 000 liens symboliques entre les nœuds précédents. Rose n'a pas jugé nécessaire de s'arrêter à quels efforts qu'il nécessiterait la création d'un réseau similaire, mais on peut supposer que ces tâches clés, telles que l'extraction des termes et de la citation, ont été résolues par programme, puis sur la base de cette Les informations, les nœuds de réseau et la communication entre eux sont automatiquement formés. Il est nécessaire de prendre en compte le fait que la plupart des documents relatifs au pouvoir ont déjà été traités précédemment par les éditeurs qui représentaient des indices de citation assez complètes et des mots-clés.

Le réseau décrit a ensuite été utilisé comme structure d'information de base pour extraire des documents. La base du fonctionnement du système est le principe de propagation d'activité (étalement d'activation). Ce principe n'est pas nouveau - il était précédemment utilisé par Quillian pour travailler avec des réseaux sémantiques (voir à ce sujet au chapitre 6). L'utilisation de ce périphérique formel vous permet de déterminer s'il existe une relation entre les nœuds du réseau. Pour cela, le processus de distribution des marqueurs à partir de nœuds d'intérêt est lancé et est analysé s'il y a eu quelque part dans le réseau «intersection» de marqueurs de propagation.

L'idée de base basée sur le travail de scalir est que le niveau d'activité de ce nœud devrait être proportionnel à sa "pertinence" dans le contexte considéré. Si, à la suite du traitement de la demande, un certain nombre de termes des termes des termes sont excités, cela devrait entraîner une excitation des nœuds de ces documents liés à cette demande et le niveau d'excitation dépend de la manière dont Ce document est responsable de l'essence de la demande. Les nœuds qui perçoivent des demandes sont, essentiellement, des nœuds sensoriels du réseau neuronal, à partir duquel l'excitation des liens C est transmise à d'autres nœuds. Dans le processus de propagation d'excitation, les obligations S sont incluses dans le cas, qui transmettent des excitations de certains documents à d'autres éléments associés, associés à eux. Ainsi, des obligations symboliques reflètent les connaissances que si un certain document concerne la demande résultante, le plus probable que l'autre document associé est également lié à cette demande. Les poids des obligations symboliques sont fixes, car la force d'une telle dépendance associative peut être estimée à l'avance.

Il existe deux propriétés de la fonction d'activation de réseau, qui sont extrêmement souhaitables du point de vue des applications nécessitant une recherche associative d'informations. Ces propriétés affectent le choix d'une méthode de nœuds sensoriels passionnants qui perçoivent les demandes utilisateur, les méthodes d'attribution de poids avec des liaisons et la forme de la fonction d'activation.

(1) La quantité d'activité entrée dans le système ne doit pas dépendre de la durée de la demande.

(2) Dans chaque cycle de distribution suivant, l'activité ne devrait pas augmenter.

Si la première de ces exigences n'est pas remplie, la demande composée d'un mot conduira à une activité réseau plus petite que verbale. Dans ce cas, il s'avère que, en réponse à une demande vermineuse plus limitée, le système extraire davantage de documents que en réponse à un défi plus libre, ce qui contredit nos attentes intuitives. Si le réseau n'a pas la deuxième des propriétés formulées, trop de documents ont une touche extrêmement faible de l'essence de la demande seront extraites, c'est-à-dire Le système produira beaucoup de "ordures d'information".

Pour que le système possède la première propriété, il est nécessaire de distribuer une quantité fixe d'activité au stade de la requête préréglée. Le deuxième système de propriété aura au cas où la somme des poids de fin de semaine ne dépasse pas les unités et, par conséquent, la valeur de la fonction d'activation sera inférieure ou égale à son argument.

Communication Utilisez une fonction d'activation linéaire, qui contient une constante de confinement (constante de rétention) P, comme indiqué dans l'expression ci-dessous. La valeur de cette constante détermine la partie de l'activité de montage préservée dans le cycle d'excitation ultérieure et qui s'applique plus loin sur le réseau.

a i (t + 1) \u003d p a j (t) + (1 - p) somme j

Il est évident que la fonction d'activation réduite satisfera les exigences formulées, depuis un i (t +1) \u003d< a i (t) до тех пока, пока Sum j

La fonction du même type est utilisée en fonctionnement. Rose suit les idées énoncées dans ce travail et par rapport à l'organisation de la gestion des activités de réseau à Scalir.

· Pour mettre en surbrillance les nœuds, dont l'activité est suffisante pour participer au processus d'extraction des informations, le paramètre S est introduit - le seuil de signification (seuil de signification). La valeur de ce seuil diminue comme une activité distribuée sur le réseau.

· Pour mettre en surbrillance les nœuds, l'activité est trop faible et qui peut donc être ignorée lors du processus d'extraction d'informations, le paramètre O Q est introduit - le seuil calme (seuil de quescence). L'utilisation de ce seuil vous permet d'éviter un délai improductif pour analyser des nœuds de bas niveau.

Ces paramètres sont utilisés dans l'algorithme de distribution d'activités scalir, qui est présenté sous une forme simplifiée ci-dessous. Cet algorithme implémente la méthode de recherche de largeur, à partir des nœuds d'entrée de la perception de la requête (nœuds de requêtes) et se terminant par toutes les liaisons suspendues.

Définissez la valeur initiale de O S.

Inclure dans les nœuds activés des nœuds actifs de l'ensemble des nœuds de requête.

S'il y a une requête, définissez les niveaux de nœuds dans les nœuds de requêtes.

Inclure tous les nœuds des nœuds actifs dont l'activité dépasse O s.

Supprimez tous les nœuds des nœuds actifs dont l'activité est inférieure à q.

Ajouter aux nœuds actifs Tous les nœuds associés aux nœuds déjà inclus dans les nœuds actifs.

Mettez à jour l'activité de tous les nœuds des nœuds actifs actifs, à l'aide de la fonction d'activation.

Renorez des nœuds dans l'ensemble des nœuds actifs en termes d'activité. Réduire la valeur de O s.

jusqu'à ce qu'il soit terminé (O S \u003d< O q) или (ACTIVE-NODES = 0).

La version simplifiée ne répond pas à l'utilisation d'un paramètre qui limite la largeur de l'espace de recherche. De plus, nous avons abaissé l'algorithme dans ce libellé et une analyse de la taille maximale d'une pluralité de nœuds de sortie. La limite de l'ensemble des nœuds de sortie empêche la recherche d'une fois que le nombre maximal de documents récupérables est attribué.

La valeur de la plupart des paramètres utilisés dans le processus de contrôle d'activité réseau est définie empiriquement. Réglage des mêmes poids de liaison entre les NOS du réseau W IJ est, en fait, le processus d'apprentissage du système, que nous considérons brièvement dans la section suivante.

apprentissage de scalir

Étant donné que les poids des liens C peuvent être réglementés par le système pendant le fonctionnement, il est capable d'auto-étude conformément aux informations saisies par l'utilisateur. Ci-dessous, nous décrivons comment cela se fait dans le système scalir, abaissant les détails insignifiants.

Supposons que l'une des entrées du nœud I soit associée à la sortie du nœud J, la connexion a le poids avec IJ. Si le nœud que je présente un document relié au terme représenté par le joint J, puis dans le processus d'apprentissage, nous devrons peut-être renforcer cette relation. Si l'utilisateur estime que le document a peu en commun avec ce terme, il sera nécessaire d'affaiblir cette relation. La principale question à résoudre concerne dans quelle mesure la valeur de poids doit être modifiée. Un des règles simples Calcul de la valeur du poids de W IJ peut être exprimé par la formule

W i \u003d nf i a j j

où n | - Taux d'apprentissage (taux d'apprentissage), un coefficient de retour de retour de l'utilisateur, qui, par exemple, peut prendre une valeur de +1 ou - 1.

Cependant, l'application d'une telle règle n'est pas si évidente car elle peut sembler au premier abord, pour les raisons suivantes.

· Déterminez les valeurs du niveau d'activité A, non aussi simple, puisque le nœud d'entrée activé lorsque la requête se produit peut réduire son activité une fois la demande supprimée.

· Les voisins des nœuds qui reçoivent des commentaires devraient également, apparemment, d'obtenir des informations de rétroaction de l'utilisateur confirmant qu'ils soumettent des documents liés à la demande.

· Le nœud I peut être à la fin du réseau de distribution de réseau, et par conséquent, les informations de l'utilisateur (commentaires) doivent être distribuées sur le réseau dans la direction opposée. Ainsi, les informations de retour obtenues à partir de l'utilisateur doivent se propager sur le réseau ainsi que l'activité. La valeur de rétroaction maximale pour chaque nœud est enregistrée et mise à jour au cours du processus de distribution et ces valeurs jouent davantage au rôle des membres du F i et à un J dans l'expression ci-dessus. Ensuite, les valeurs obtenues des échelles sont normalisées de manière à ce que leur somme pour chaque nœud individuel soit égale à 1,0. Bien sûr, dans le système de scalir réel, le processus d'auto-étude est un peu plus compliqué, car il a des connexions de types différents. Les lecteurs qui sont intéressés par les détails de ce processus doivent être trouvés au travail, mais l'idée d'utiliser combiné des méthodes symboliques et subventionnées mérite une étude approfondie approfondie. Le système scalir a démontré un compromis plutôt pragmatique entre une approche purement statistique de l'extraction des informations et une approche traditionnelle des systèmes d'experts nécessitant une grande quantité de connaissances sur le sujet.

Documents similaires

Codeurs de forme, vocodeur de bande. Codage de prédiction linéaire. Codage de la parole en analysant par la synthèse. Quantification de vecteur et livres de code. Codeurs hybrides. Codeurs de partition de fréquence hybride. Hybride encourageant les codeurs.

résumé, ajouté 10.12.2008


Codes de traitement des exceptions d'informations sur la raison de leur occurrence. Façons de gérer des exceptions. Mécanismes de traitement des exceptions. Initialisation de la référence à l'objet. Concepteurs des exceptions standard. Génération d'exclusion automatique et logicielle.

présentation, ajouté le 06/12/2014


Systèmes de formation en informatique. Principes de nouvelles technologies de l'information de formation. Types de programmes de formation. Activation de l'apprentissage. Test informatique. Recherche en perspective dans l'apprentissage informatique. Technologie Internet, multimédia.

examen, ajouté 10.09.2008


Analyse des solutions de conception et le choix basé sur la solution optimale. Synthèse du système fonctionnel du microprocesseur basé sur l'analyse des données source. Le processus de développement de matériel et logiciel Système de microprocesseur.

cours, ajouté 05/20/2014


Aperçu de l'approche du développement du système de gestion du personnel. Formation des exigences système, le choix de la méthodologie de construction du système. Automatisation du fonctionnement de l'algorithme de comptage de puissance. La mise en œuvre pratique de l'approche sur l'exemple de la société LLC "Nouveau médicament".

thèse, ajoutée 07/03/2017


Méthodes pour résoudre la régression de symboles de synthèse de synthèse de synthèse. Algorithme génétique avec stratégie évolutive. Développement du programme à Python Version 2.7 dans environnement Eclipse Juno avec une bibliothèque pour construire des graphiques matplotlib.

thèse, ajoutée 17.09.2013


Développement d'un système d'analyse automatisé objets complexes système éducatif. Construction de diagrammes de séquence, de coopération, de classes, d'états, de composants, ainsi que de déploiement. Présentation du client généré et des codes de serveur.

travaux de cours, ajouté le 26/06/2014


Systèmes et tâches de leur analyse. Méthodes d'analyse système: analytique; Mathématique. Essence de l'automatisation du contrôle dans des systèmes complexes. Structure du système avec contrôle, façons d'améliorer. L'objectif de contrôle de l'automatisation. Étapes de prendre des décisions.

résumé, ajouté 07/25/2010


Développement d'un programme simulant les processus d'apprentissage, de travail et de prévision utilisant une étape d'apprentissage constante, ainsi qu'une étape d'apprentissage adaptatif. Étude du comportement du système en fonction du nombre d'entrées à une étape constante d'auto-apprentissage.

examen, ajouté 10/16/2011


Installation système opérateur Windows Server 2003 SP-2 et chauffeurs. Exécuter des connexions réseau. Utilisez, vérifiez et configurez différents programmes MS Office 2007. Activer les composants et les programmes qui ne sont pas installés lors de l'installation du système d'exploitation.

Page 3.

Dans les systèmes hybrides, le modèle principal est pris avec une substitution, dont l'un des éléments est monté dans un autre modèle, par exemple, a) la recalculition des poids dans la procédure de propagation de retour est effectuée à l'aide d'un algorithme génétique; b) La sélection d'accessoires de fonctionnalités dans un régulateur floue sont effectués à l'aide d'un algorithme génétique. Dans les systèmes hybrides avec interaction, des modules indépendants sont utilisés qui communiquent avec des informations et effectuent diverses fonctions afin d'obtenir une solution générale. Par exemple, si la tâche résolue comprend la reconnaissance, la sortie et l'optimisation des images, ces fonctions prennent des réseaux de neurones, des systèmes d'experts et des algorithmes génétiques. Dans les systèmes hybrides polymorphes, un modèle est utilisé pour simuler le fonctionnement d'un autre modèle.

Cependant, les systèmes d'identification hybride existants des dactylogrammes ne sont pas exempts de défauts. La méthode d'analyse du dactylogramme sur le spectre de Fourier sera interpréter des images qui diffèrent dans la permutation des fragments sont les mêmes. De plus, des images dactyloscopiques sont structurellement redondantes.

En général, le système ADT hybride constitue une étape supplémentaire dans le développement de la technologie informatique analogique.

Les problèmes de construction de systèmes hybrides, y compris les sous-systèmes de modélisation évolutive, des blocs d'optimisation qui interagissent avec des modèles de simulation, des systèmes d'experts et d'autres systèmes de prise de décision sont consacrés au cinquième chapitre. Créature modèles de simulation Il agit ici comme l'une des directions de développement d'approches de simulation intellectuelle. Ce chapitre décrit les approches et les modèles de systèmes multi-agents, différents niveaux d'intellectualité et leur autre forme évolutive - modèle de vie artificielle. Comme des exemples de systèmes hybrides avec évolution, la modélisation du développement de la population d'automates et de systèmes multi-modèles les plus simples est donnée.

Il est possible d'utiliser des systèmes hybrides combinant des éléments de systèmes actifs et passifs.

Dans l'étude des systèmes discrets et hybrides, il existe des paramètres qui ne peuvent pas être décrits par des fonctions provenant de variables dépendantes ou indépendantes.

Dans le cas d'un système de fonctionnement hybride, l'ordinateur est limité par des actions arithmétiques, à l'aide de laquelle les pics sont calculés; Dans ce cas, vous pouvez prendre en compte la sensibilité du détecteur, déterminer le contenu des substances basées sur la norme interne et imprimer le protocole du format spécifié.

Introduction à un système hybride Pour automatiser le traitement des données obtenues à partir de tous les systèmes holographiques, l'unité de numérisation est une analyse contrôlée par un ordinateur numérique, au système du système, les fonctions polyvalentes doivent ajouter une vitesse élevée, une précision croissante et une objectivité lors de l'analyse de la Les données.

Dans de nombreux systèmes de gestion hybrides, diverses modifications du protocole Ethernet sur la base de l'accès multiples de détection de support avec une détection de collision (CSMA / CD) correspondant à la norme ISO 8802-3 / IEEE 802.3 sont utilisées. L'essence de cela revient au fait que chaque nœud de réseau suit le chargement de la ligne et transmet uniquement lorsqu'il détermine que la ligne est gratuite. Si, en raison du fait qu'un autre nœud nécessite également une ligne de transmission, une collision se pose, puis les deux nœuds empêchent la transmission.

IMAN utilise un système de gestion de la base de données hybride (DBMS) basé sur Oracle V8, qui prend en charge les modèles de données relationnels et orientés vers l'objet, le contrôle d'accès et les modifications apportées, la formation de spécifications de produit, l'intégration des sous-systèmes appliqués. La gestion des processus d'entreprise parallèles et en série est attribué au module de flux de travail.

La tâche d'optimiser les systèmes hybrides linéaires avec un critère quadratique généralisé est considérée lorsque des membres des écarts sont ajoutés aux membres traditionnels - les membres qui permettent des pénalités d'écarts conformément à leur signe. Tâches de contrôle optimales avec de telles préférences, c'est-à-dire Lorsqu'il est nécessaire que certains composants de contrôle (ou états) soient positifs ou négatifs, la plupart du temps se trouvent souvent dans la pratique.

Dans le cas de l'utilisation d'un système hybride de commande et de contrôle automatique consistant en des dispositifs électriques et pneumatiques, pour communiquer ces appareils les uns avec les autres, la transformation du signal électrique en pression d'air est nécessaire.

Outre ces systèmes hybrides, des modèles hybrides d'une autre espèce peuvent également être utilisés, dans lesquels des modèles passifs sont joints à des dispositifs opérant sur les principes de la modélisation électronique. Ces modèles permettent d'utiliser les avantages des modèles passifs (simplicité, grand nombre de nœuds, vitesse, etc.) avec la capacité d'effectuer un certain nombre d'opérations logiques nécessaires à la résolution des tâches non linéaires de la théorie des champs, sans participer au calcul calculé. Processus d'ECMM avec une conversion multiple d'informations d'une espèce à une autre, sans l'équipement requis pour cette conversion. Le coût de ces systèmes est nettement inférieur au coût des machines hybrides, y compris de l'ECMM.

En d'autres termes, un complexe combiné constitué de plusieurs machines informatiques en appliquant une représentation différente de valeurs (numérique et analogique) et système de contrôle commun connecté. Dans la composition d'hybride
le système informatique, en plus des machines numériques et analogiques et des systèmes de contrôle, comprennent en règle générale des dispositifs de communication intra-système, des convertisseurs de représentation de magnitude et des équipements externes. Le système informatique hybride est un complexe informatique, dans cette différence principale de la machine de calcul hybride, qui a reçu un tel nom, car il est basé sur des éléments décisifs hybrides ou à l'aide d'éléments numériques et analogiques.

Dans la littérature, souvent aux systèmes informatiques hybrides incluent AVM avec une utilisation multiple d'éléments décisifs équipés d'un dispositif de stockage, AVM avec logiciel numérique et AVM avec logique parallèle. Ce type de machines informatiques, bien qu'ils aient des éléments utilisés dans la CLM, mais tout le monde conserve également une méthode analogique de présentation de valeurs et de toutes les différences et propriétés spécifiques de la MAV. L'apparition de systèmes informatiques hybrides s'explique par le fait que de résoudre la plupart des nouvelles tâches associées à la gestion des objets mobiles, à la création de simulateurs complexes, d'optimisation et de modélisation des systèmes de contrôle, etc., les possibilités de TSMM séparément et AVM sont déjà insuffisants.

Lors de la solution du problème du processus de calcul dans des opérations individuelles, qui sont effectuées par la TSM et la MAV dans le complexe, réduisent le volume des opérations de calcul résolus sur la TSM, qui, dans d'autres conditions égales, augmente fortement la vitesse globale de l'informatique hybride. Systèmes.

Il existe des systèmes informatiques hybrides hybrides équilibrés, orientés et orientés analogiques.

Dans le système du premier type, les TSMS sont utilisés comme dispositif externe supplémentaire à ABM, ce qui est nécessaire à la formation de dépendances non linéaires complexes, rappelez-vous les résultats finaux et d'effectuer le contrôle logiciel AVM. Dans les systèmes du deuxième type d'AVM, il est utilisé comme appareil externe supplémentaire TSM, destiné à la modélisation de pièces d'équipements réels, d'exercices multiples de petites sous-programmes.

L'invention des complexes hybrides efficaces nécessite de clarifier principalement les principaux domaines de leur utilisation et une analyse minutieuse des tâches standard de ces zones.

En conséquence, nous établissons la structure rapide du complexe hybride et nous apportons des exigences pour ses parties individuelles.

Les tâches résolues avec succès à l'aide de systèmes informatiques hybrides peuvent être divisées en groupes principaux suivants: Modélisation de systèmes de contrôle en temps réel réel composés de dispositifs numériques et analogiques; des actions de révélation contenant des composants et des variables à haute fréquence qui changent dans une vaste gamme; modélisation de systèmes biologiques; Modélisation statistique; optimisation des systèmes de contrôle; Résoudre les équations dans des dérivés privés.

L'échantillon de la tâche du premier groupe peut modéliser le système de contrôle du laminoir. La dynamique des processus se produisant est recréée sur une machine analogique et sur la couleur universelle de la classe moyenne est simulée par une machine de commande spécialisée. En raison des processus de transition courts de lecteurs de laminage, la modélisation générale de tels processus en temps réel nécessiterait l'utilisation de TSM ultrafacteurs. Des tâches similaires sont assez courantes dans les systèmes de gestion des objets militaires.
La norme pour le deuxième groupe est la tâche de la gestion des objets en mouvement, y compris des tâches de l'homage, ainsi que des tâches qui se produisent lors de la création d'un élément informatique de simulateurs complexes. Pour les tâches de hommage, la formation de la trajectoire de mouvement directement au cours du mouvement. La vitesse élevée de variation de certains paramètres lorsque l'objet s'approche de l'objectif nécessite une vitesse élevée du système de commande, ce qui dépasse les capacités du TSMM actuel et, en même temps, une grande gamme dynamique nécessite une grande précision difficile à réaliser sur ABM. . Lors de la résolution d'un tel problème sur les systèmes informatiques hybrides, il est conseillé de confier la modélisation des équations de déplacement autour du centre de gravité de la partie analogique du système et du mouvement du centre de gravité et de paramètres cinématiques - au numérique partie du système informatique.

Le troisième groupe comprend les tâches dont la solution est formée à la suite du traitement de nombreux résultats du processus aléatoire, par exemple la solution d'équations multidimensionnelles dans des dérivés privés utilisant la méthode de Monte Carlo, en trouvant l'extremum des fonctions de plusieurs variables, résoudre les tâches de programmation stochastiques. La répétition multiple du processus aléatoire est chargée d'AVM à haute vitesse, qui fonctionne en mode de répétition multiple et le traitement des résultats, le calcul des fonctionnalités, des fonctions de lecture dans les limites de la zone - sur la TSMM. De plus, le CVM définit la fin du calcul. L'utilisation de systèmes informatiques hybrides permet de réduire le temps nécessaire pour résoudre le problème d'une telle forme par plusieurs commandes en comparaison en utilisant uniquement la machine numérique.

Cet effet est obtenu avec l'utilisation de systèmes informatiques hybrides pour la modélisation des processus de propagation d'exposition dans les systèmes biologiques.

La particularité de ce processus est que même dans les cas élémentaires, il est nécessaire de reproduire un système complexe non linéaire d'équations dans les dérivés privés.

La solution visant à résoudre le problème de la gestion rationnelle des tâches au-dessus du troisième ordre est généralement associée à de grands obstacles irrésistibles. Même plus fort, ils se manifestent s'il est nécessaire de trouver un contrôle optimal dans le processus de fonctionnement du système.

Les systèmes informatiques hybrides contribuent largement à l'élimination de telles difficultés et à l'utilisation de tels fonds complexes en termes de calcul comme principe du maximum de la pontryagine.

L'utilisation de systèmes informatiques hybrides, y compris efficacement dans la résolution d'équations non linéaires dans les dérivés privés. Dans le même temps, vous pouvez décider des tâches d'analyse, de gaz et d'optimisation et d'identification des objets. Par exemple, le problème d'optimisation peut être cité: la sélection de la non-linéarité du matériau thermique destiné à la distribution de température spécifiée; La distribution de l'épaisseur de la couche d'évaporation, qui protège les navires cosmiques du chauffage excessif à l'entrée des couches denses de l'atmosphère; calcul de la géométrie des aéronefs pour obtenir les caractéristiques aérodynamiques nécessaires; L'invention du système optimal de chauffage des aéronefs pour les protéger du glaçage avec une utilisation minimale d'énergie chauffée; Calcul du réseau de canaux d'irrigation, déterminant la consommation optimale en eux, etc. Lors de la résolution de ces tâches, le TSM est combiné avec le modèle de grille, utilisé à plusieurs reprises pendant la solution.

Le développement de systèmes informatiques hybrides est possible dans deux directions: la construction de systèmes informatiques hybrides spécialisés, calculés sur la solution d'une seule classe de tâches et la construction de systèmes d'informatique hybride tout englobant qui vous permettent de résoudre un équivalent Large classe de tâches. La structure d'un tel complexe hybride universel consiste en un AVM d'une seule action, un modèle de grille, AVM avec une répétition de solutions, des équipements spéciaux conçus pour résoudre des problèmes de modélisation statistique, de dispositifs de communication entre machines et équipements périphériques. En plus du support mathématique standard de l'ordinateur inclus, dans les systèmes informatiques hybrides, il est nécessaire d'utiliser programmes spéciauxQui servent le système de communication système et automatiser le processus de fixation et de préparation de tâches sur AVM, ainsi qu'un langage de programmation universel pour un ensemble dans son ensemble.

Parallèlement à de nouvelles capacités de calcul dans les systèmes informatiques hybrides, des caractéristiques spécifiques apparaissent, par exemple, des erreurs se produisent, qui manquent dans des ordinateurs distincts. Les principales sources d'erreurs peuvent être le délai de convertisseur analogique-numérique, un convertisseur analogique numérique et le TSM; Erreur de l'alimentation non moderne signaux analogiques sur le convertisseur analogique et numérique et la délivrance non moderne signaux numériques sur un convertisseur analogique numérique; Erreur d'arrondi dans les convertisseurs analogiques numériques analogiques et analogiques; Erreurs associées au caractère discrète d'obtenir des résultats avec la sortie du TSM. En cas de fonctionnement indépendant, TSM avec convertisseurs, le délai temporaire ne donne pas d'erreurs et dans les systèmes informatiques hybrides qu'il peut non seulement donner des erreurs importantes, mais également pour désorganiser les performances de l'ensemble du système.