Использование нейронных сетей для моделирования когнитивных структур

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Институт компьютерных технологий и информационной безопасности Южного федерального университета

Использование нейронных сетей для моделирования когнитивных структур

Application of neural networks for cognitive structures modeling

Черный С.А., Шестаков А.В.

Аннотация

В статье рассматриваются вопросы, связанные с решением задачи построения и обработки когнитивных структур на основе использования нейронных сетей. Рассмотрена организация специализированной модели, настроенной на решения поставленной задачи и обозначаемой, как «нейросетевая когнитивная модель (НКМ)». Приводится описание основного элемента указанной модели, обозначенного, как «нейрокогнитивный элемент (НКЭ)» и правил его формирования. Рассматриваются правила отображения когнитивных структур на нейрокогнитивные модели. Представлены как структурные описания данных моделей, так и процедурные модели их формирования.

Ключевые слова: когнитивная модель, концепт, причинно - следственная связь, нейроэлемент, синаптическая связь.

Abstract

The article discusses issues related to solving the problem of constructing and processing cognitive structures based on the use of neural networks. The authors consider the organization of a specialized model that is configured to solve the problem and denoted as a “neural network cognitive model (NNCM).” They describe the main elements of this model, designated as a “neurocognitive element (NCE)” and the rules for its formation. The regulations of cognitive mapping structures to neurocognitive models are considered as well. Both structural descriptions of these models and procedural models of their formation are presented in the paper.

Keywords: cognitive model, concept, causal relationship, neuroelement, synaptic connection.

Введение

Применение аппарата когнитивного моделирования для анализа и исследования различных, особенно слабоформализуемых объектов получает все большее распространение [1], [2], что обуславливает целесообразность его развития для повышения эффективности и расширения областей применения. Это в свою очередь связано с подготовкой соответствующего инструментария. Общность топологических когнитивных и нейросетевых представлений, базирующихся на основе графовых структур [3], создает предпосылки для нейросетевого формирования и моделирования когнитивных систем. Указанные предпосылки базируются на ряде очевидных соответствий обсуждаемых моделей - графовой, когнитивной, нейросетевой. Первое соответствие: концепт когнитивной структуры отображается как нейроэлемент (нейрон) нейросетевой структуры. Причем, оба этих элемента соответствуют вершине графа в графовой модели. Второе соответствие: причинно-следственные связи из когнитивных моделей отображаются в нейросетевых моделях синаптическими связями между нейроэлементами. Соответственно, как причинно-следственные связи, так и синаптические связи соответствуют дугам в графовых моделях.

На основании вышеизложенного, в настоящей статье рассматривается вопрос об организации использования нейросетевых моделей в качестве инструментария для формирования и решения задач на когнитивных структурах.

Применение нейросетей в качестве платформы для моделирования когнитивных процессов позволит использовать широкие возможности аппарата нейросетевого моделирования [4], включая методы обучения нейросетей [5] для формирования значений причинно-следственных связей как отображения синаптических связей.

Формирование и представление нейрокогнитивных моделей

Описание предлагаемой модели, которая определяется как нейрокогнитивная модель (НКМ), приводится на основе графовых представлений:

мНКМ = (мНКЭ, мСС),(1)

мНКЭ={мнкэ_i1}_i1=i1…I1(2)

Здесь: мНКЭ - множество нейроконцептов (нейрокогнитивных элементов - НКЭ), соответствующих концептам моделируемой когнитивной структуры (I1- общее число НКЭ в НКМ и, соответственно, число концептов в отображаемой когнитивной модели). Структурное описание нейрокогнитивного элемента (нейроконцепта) формируется в виде кортежа:

мнкэ_i1 = <i1; и_i1; вр_i1; пс_i1>(3)

нейронная сеть моделирование когнитивный

Здесь: i1 - номер нейроконцета (отображающего концепт когнитивной структуры) как вершины графовой структуры; и_i1 - имя концепта (тестовая строка);

вр_i1 - значение выходной реакции нейроконцепта, т.е. воздействия, оказываемого на смежные нейроконцепты через синаптические связи;

пс_i1 - значение состояния нейроконцета, с одной стороны, отражающее «активность» элемента в ходе процесса всего процесса (сеанса моделирования), с другой стороны, и представляющее значение результата моделирования для данного нейроконцепты.

мСС - множество синаптических связей определяется следующим образом:

мСС={мсс_j}j=1…J,(4)

где каждая связь также структурно описывается кортежем:

мсс_j = <j, ijист, ijпр, вс_j>(5)

Здесь: J - общее число синаптических связей,

j - номер связи;

ijист - номер нейроконцепта, являющего для данной связи источником;

ijпр - номер нейроконцепта - приемника для связи;

вс_j - вес синаптической связи, соответствующий весу отображаемой причинно-следственной связи отображаемой когнитивной структуры.

Описание нейрокогнитивного элемента

Формальная модель функционирования НКЭ описывается в виде нижеприводимой алгоритмической последовательности соотношений. В указанном описании принимаются следующие правила индексации. Индекс текущего рассматриваемого нейрона обозначается через i1. Индексы смежных нейронов, воздействующих на входы текущего - через i2. Определение значения элементарного входного воздействия:

эвв(t)_i1,i2 = вр(t)_i1,i2 * вс_i1,i2(6)

Здесь вр(t)_i1,i2 - значение реакции нейроконцепта i2, являющегося входным по отношению к нейроконцепту i1.

Данное соотношение определяет значение воздействия от одного из смежных нейронов, являющихся входным (оказывающим влияние на текущий).

Определение значения входного потенциала, как суммарного воздействия элементарных:

вп(t)_i1 = ?_i2=1…I2(эвв(t)_i1,i2)(7)

Здесь I2 - общее число смежных вершин, являющихся входными по отношения к вершине i1 и, соответственно, число входных в i1 синаптических связей.

Определение мгновенного потенциала нейроконцепта:

пм(t)_i1 = f_м(вп(t)_i1, пм(t-1)_i1, пс(t-1)_i1, Q_i1)(8)

Здесь пм(t)_i1 - значение потенциала на текущем шаге;

f_м - функция вычисления мгновенного потенциала;

пм(t-1)_i1 - значение мгновенного потенциала на предыдущем шаге;

пс(t-1)_i1 - значение потенциала сеансовой активности концепта, определенного на предыдущем шаге;

Q_i1 - порог срабатывания нейроконцепта.

Определение значение состояния нейроконцепта:

пс(t)_i1 = fс(пм(t)_i1, пс(t-1) _i1)(9)

Здесь: f_с - функция вычисления значения состояния нейроконцепта.

Вид функции подбирается эмпирическим образом в процессе моделирования, тем не менее, для большинства случаев может быть использована простая полиномиальная форма:

пм(t)_i1 =k_m1 * вп(t)_i1 + k_m2 * пм(t-1)_i1 -

k_m2 * пс(t-1)(10)

Здесь k_m1, k_m2,k_m3 - эмпирические подбираемые масштабные коэффициенты.

Определение значения выходной реакции концепта:

вр_i1 = f_в(пм(t)_i1)(11)

Здесь f_в - функция преобразования пм(t)_i1, вводимая с целью внесения нелинейности в формируемые модели. В качестве функции может быть использована наиболее распространенная в теории нейронных сетей функция сигмоид [6]. Однако допускается использование простого соотношения:

вр_i1 = пм(t)_i1(12)

Как следует из рассмотренных соотношений, в приводимом описании мНКЭ осуществлена попытка совмещения параметров, присущих когнитивным структурам с параметрами, присущими нейросетям. Мгновенный потенциал из мНКЭ по смыслу соответствует мембранному потенциалу из нейросетевых моделей [6], [7]. Период его воздействия заключен в рамки между двумя переходами через пороговое значение. В отличие от мгновенного потенциала, который не отражает общей степени активности на всем периоде моделирования (а только на интервале между пороговыми переходами), параметр сеансовой активности связан с общей активностью нейрокогнитивного элемента на всем периоде моделирования.

Необходимо также пояснить различные функциональные роли в мНКЭ мгновенного потенциала и значения состояния. В традиционных когнитивных моделях параметр «значение концепта» определяет как его текущее состояние (уровень активности концепта), так и величину его воздействия на смежные концепты. В предлагаемой нейрокогнитивной модели эти две функции разнесены по двум отдельным параметрами. Параметр выхода связан с «мгновенной» реакцией НКЭ, учитывающей мгновенные возмущения. Значение состояния элемента аккумулирует историю его поведения в течение всего процесса моделирования, сглаживая отдельные «всплески».

Предполагаемая схема жизненного цикла НКМ включает несколько этапов в соответствии с нижеследующим:

1. Формирование модели

Включает получение и обработку информации от экспертов [8], [9]. На основании полученной информации формируется: а) топология сети; б) начальные значения потенциалов когнитивных нейроэлементов; в) значения синаптических связей.

2. Реализация процесса моделирования

Общий процесс моделирования организуется в виде набора сеансов. Каждый сеанс включает в себя последовательность подэтапов:

2а. Формирование начального состояния моделей. Заключается в присваивании начальных значений концептов, которое может осуществляться несколькими способами:

а) принимаются значения, полученные на этапе формирования модели;

б) принимаются значения, полученные по окончании одного из предыдущих сеансов;

в) эвристически назначаемые пользователем.

2б. Инициализация воздействий. Заключается в указании начальных воздействий НКЭ, т.е. с которых начинается вычисления концептов по сети. При этом в индивидуальном порядке для данных НКЭ могут назначаться собственные для данного сеанса значения, которые являются начальными параметрами сеанса. Как правило, входные значения формируются в виде функций во времени или дискретной последовательность [10], задающей определенный процесс внешнего воздействия на моделируемую систему. Данные воздействия могут соотноситься как с управляющими/планируемыми воздействиями, так и возмущениями внешней среды. Результатами моделирования на определенном шаге являются значения состояний нейроконцептов на этом шаге

Заключение

Использование нейросетевого аппарата для описания и реализации когнитивных процессов позволяет не только использовать сформированных к настоящему времени комплексов нейросетевого моделирования, но и обеспечить вычислительную поддержку функций формирования, обучения и корректировки когнитивных сетей, отображающих на нейросетевые модели.

Список литературы / References

1. Кудж С.А. Когнитивные модели и методы Краткий словарь-справочник/ С.А. Кудж, И.В. Соловьёв, Цветков В.Я. - М: МГТУ МИРЭА, 2014. -С. 95с.

2. Колоденкова А.Е. Построение системы когнитивных моделей и методов анализа реализуемости проекта по созданию информационно - управляющих систем для атомных станций / А.Е. Колоденкова // Глобальная ядерная безопасность - 2016. - №3(20), С. 43 - 50.

3. Кулинич А.А. Когнитивная система поддержки принятия решений “Канва” / А.А Кулинич // Программные продукты и системы. -2002. - №3. - С. 23 - 27

4. Гинис Л.А. Нечеткое когнитивное моделирование для предупреждения рисковых ситуаций на объектах критической инфраструктуры. / Л.А. Гинис, А.Е. Колоденкова // Вестник УТАТУ. - 2017, т. 21, № 4(78), С. 113-120

5. Николенко С.И. Глубокое обучение / С.И. Николенко, А.А.Кадурин, Е.В. Архангельская -- СПб.: Питер, 2018. -- 480 с.

6. Гузик В.Ф. Модели нейронов с памятью состояния для организации нейроэволюционных вычислений / В.Ф. Гузик, Б.В. Катаев, С.А. Черный, А.В. Шестаков // Научный журнал КубГАУ, 2017, № 133(09) С. 467-474, URL:ej.kubagro.ru/2017/09/pdf/36.pdf.

7. Чернухин Ю.В. Искусственный интеллект и нейрокомпьютеры./ Ю.В. Чернухин - Таганрог: Изд-во ТРТУ, 1997, С. 273

8. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений / А.Б. Барский -- М.: Финансы и статистика, 2004. -- С. 176

9. Исмиханов З.Н. Вопросы структуризации знаний эксперта в виде когнитивных карт / З.Н. Исмиханов, А.С. Шамхалов, К.М. Султанов //. Современные наукоемкие технологии, 2016, №4 (часть 2), С. 247 - 250

10. Кулинич А.А. Методология когнитивного моделирования сложных плохо определенных ситуаций / А.А. Кулинич // Вторая Междунар. конф. по проблемам управления: тр. конф, М.: Изд-во ИПУ РАН, 2003, С. 114 - 118.

Список литературы на английском языке / References in English

1. Kuj S.A. ognitivnye modeli i metody Kratkij slovar'-spravochnik [Cognitive models and methods Brief dictionary-reference book] / S.A. Kuj, I.V. Soloviev, Tsvetkov V.Ya. - M: MSTU MIREA, 2014. -. 95p. [in Russian]

2. Kolodenkova A.E. Postroenie sistemy kognitivnyh modelej i metodov analiza realizuemosti proekta po sozdaniyu informacionno - upravlyayushchih sistem dlya atomnyh stancij [Building a system of cognitive models and methods for analyzing the feasibility of a project to create information management systems for nuclear plants] / A.E. Kolodenkova // Global Nuclear Safety - 2016. - No. 3 (20), P. 43 - 50. [in Russian]

3. Kulinich A.A. Kognitivnaya sistema podderzhki prinyatiya reshenij “Kanva” [Cognitive decision support system “Canva”] / A.A Kulinich // Software products and systems. -2002. - Number 3. - P. 23 - 27. [in Russian]

4. Ginis L.A. Nechetkoe kognitivnoe modelirovanie dlya preduprezhdeniya riskovyh situacij na ob”ektah kriticheskoj infrastruktury [Fuzzy cognitive modeling to prevent risk situations at critical infrastructure facilities] / L.A. Ginis, A.E. Kolodenkova // Bulletin of UTATU. - 2017, vol. 21, No. 4 (78), pp. 113-120. [in Russian]

5. Nikolenko S.I. Glubokoe obuchenie [Deep learning] / S.I. Nikolenko, A.A. Kadurin, E.V. Arkhangelskaya - St. Petersburg: Peter, 2018.- P. 480. [in Russian]

6. Guzik V.F. Modeli nejronov s pamyat'yu sostoyaniya dlya organizacii nejroevolyucionnyh vychislenij [Models of neurons with state memory for organizing neuroevolutionary computing] / V.F. Guzik, B.V. Kataev S.A. Cherny // Scientific journal of KubSAU, 2017, No. 133 (09) P. 467-474, URL: ej.kubagro.ru/2017/09/pdf/36.pdf. [in Russian]

7. Chernukhin Yu.V. Iskusstvennyj intellekt i nejrokomp'yutery [Artificial Intelligence and Neurocomputers] / Yu.V. Chernukhin - Taganrog: Publishing House of TRTU, 1997, P. 273. [in Russian]

8. Barsky A.B. Nejronnye seti: raspoznavanie, upravlenie, prinyatie reshenij [Neural networks: recognition, control, decision making] / А.B. Barsky - M.: Finance and Statistics, 2004. - P. 176. [in Russian]

9. Ismikhanov Z.N. Voprosy strukturizacii znanij eksperta v vide kognitivnyh kart [Issues of structuring expert knowledge in the form of cognitive maps] / Z.N. Ismikhanov, A.S. Shamkhalov, K.M. Sultanov //. Modern high technology, 2016, No. 4 (part 2), P. 247 - 250. [in Russian]

10. Kulinich A.A. Metodologiya kognitivnogo modelirovaniya slozhnyh ploho opredelennyh situacij [The methodology of cognitive modeling of complex poorly defined situations] / A.A. Kulinich // The Second Int. conf. on management issues: tr. Conf., Moscow: Publishing House of IPU RAS, 2003, pp. 114 - 118. [in Russian]

Размещено на Allbest.ru