SZTUCZNA
INTELIGENCJA
Akademia Górniczo-Hutnicza
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Katedra Automatyki i Inżynierii Biomedycznej Laboratorium Biocybernetyki
30-059 Kraków, al. Mickiewicza 30, paw. C3/205 horzyk@agh.edu.pl, Google: Adrian Horzyk
Adrian Horzyk
ASOCJACYJNE NEURONOWE GRAFOWE STRUKTURY DANYCH
DO MODELOWANIA SIECI NEURONOWYCH
I RELACJI POMIĘDZY DANYMI
Grafowe asocjacyjne struktury danych
Grafowe asocjacyjne struktury danych AGDS są rodzajem grafowych baz danych implementujących relacje pomiędzy danymi w postaci asocjacji.
Asocjacje (powiązania pomiędzy danymi) mogą być dodatkowo ważone, definiując istotność poszczególnych relacji.
Asocjacje reprezentujące relacje są bogatsze niż w przypadku klasycznych baz relacyjnych, gdyż reprezentują również podobieństwo i porządek pomiędzy danymi oraz obiektami.
Obiekty reprezentowane przez węzły mogą charakteryzować się dowolnym stopniem złożoności i zagnieżdżenia oraz mogą być zdefiniowane przy pomocy dowolnej ilości innych węzłów.
Dane dla każdego atrybutu są ze sobą powiązane i względem siebie uporządkowane, jeśli tylko można zdefiniować porządek dla wartości danych tego tego atrybutu.
Nie wymagają indeksacji ani haszowania, gdyż wszystkie dane są w naturalny sposób posortowane względem wszystkich atrybutów równocześnie.
Dane reprezentujące wartości jednego atrybutu nie są duplikowane, lecz agregowane, co stanowi o dużej potencjalnej oszczędności w przechowywaniu danych w takiej postaci, szczególnie jeśli wartości danych często się powtarzają.
Agregacja danych oraz powiązania pomiędzy nimi zapewniają bardzo szybki (w czasie stałym) dostęp do wszystkich powiązanych bezpośrednio lub pośrednio danych.
Uzyskuje się również błyskawiczny dostęp do niektórych wartości funkcji agregujących (tj. MIN, MAX), jak również bardzo szybko można wyznaczać podobieństwa i różnice pomiędzy obiektami.
W działaniu są więc dużo efektywniejsze niż relacyjne bazy danych, lecz niestety ze względu na ograniczenia sprzętowe mogą być stosowane tylko do danych, które mieszą się w pamięci RAM komputera. Największą skuteczność osiąga się w przypadku zastosowania równoległości.
Przykład grafowych asocjacyjnych struktur danych
Dane z tabel z relacyjnych baz danych można przekształcić na postać asocjacyjnych grafów AGDS.
Przykład grafowych asocjacyjnych struktur danych
Dane z tabel z relacyjnych baz danych można przekształcić na postać asocjacyjnych grafów AGDS.
Przykład grafowych asocjacyjnych struktur danych
Dane z tabel z relacyjnych baz danych można przekształcić na postać asocjacyjnych grafów AGDS.
Przykład grafowych asocjacyjnych struktur danych
Wykrywanie duplikatów, podobieństw oraz MIN i MAX jest prymitywnie łatwe i szybkie.
Przykład grafowych asocjacyjnych struktur danych
Dochodzi do agregacji wartości i usunięcia wszystkich duplikatów danych!
Przykład grafowych asocjacyjnych struktur danych
Wykrywanie zależności i korelacji pomiędzy danymi można przeprowadzić błyskawicznie!
Przykład grafowych asocjacyjnych struktur danych
Wykrywanie podobieństw i różnic jest również proste i szybkie!
Przykład grafowych asocjacyjnych struktur danych
Z łatwością można je wykorzystać do grupowania (klasteryzacji) oraz klasyfikacji!
Przykład grafowych asocjacyjnych struktur danych
Z łatwością można je wykorzystać do grupowania (klasteryzacji) oraz klasyfikacji!
Przykład grafowych asocjacyjnych struktur danych
Łatwe do wykorzystania do dyskryminacji, klasyfikacji, grupowania (klasteryzacji) i analizy danych!
CZY NEURONY MOGĄ PORZĄDKOWAĆ DANE?
Podstawowym zagadnieniem związanym z różnymi strukturami danych jest kwestia uporządkowania (posortowania) danych, która zwykle wpływa na możliwość szybszego ich odnajdywania.
Ponadto odpowiednio uporządkowane dane łatwiej organizować w większe struktury, klastry, grupy, a następnie wykorzystać je do porównywania czy też klasyfikacji.
Do uporządkowanych danych zwykle uzyskujemy szybszy dostęp.
Oprócz samej kwestii uporządkowania danych nie mniej istotne znaczenie odgrywa złożoność obliczeniowa związana z
wykonywaniem różnych operacji na danych.
Mózg ludzki bardzo szybko reaguje i rozwiązuje skomplikowane
problemy mimo bardzo wolno działających neuronów. Dlaczego?
Asocjacyjne sortowanie ASSORT działa na neuronach
Umożliwia wykorzystanie receptorów i neuronów do sortowania rekordów równocześnie względem wszystkich atrybutów odzwierciedlając podobieństwo danych i następstwo rekordów.
W przypadku równoległej realizacji dodanie nowego rekordu zachodzi w czasie stałym O(1), a sortowanie wszystkich rekordów względem wszystkich atrybutów równocześnie w czasie liniowym O(n).
Ze względu na konstrukcję współczesnych komputerów trudno go zrealizować, aczkolwiek można to zrobić na odpowiednich kartach graficznych GPU.
Sortowanie to proces porządkowania rekordów (np. R1, …, R9) względem wybranego klucza lub kluczy (np. A1 lub A2).
Wartości poszczególnych atrybutów, jak również całe rekordy
mogą się powtarzać w sortowanym zbiorze.
Opis przebiegu działania sortowania ASSORT
1. Sztuczny system skojarzeniowy AAS podaje równocześnie na wszystkie wejścia sensoryczne (SENSIN:Ak) wartości danych definiujące wybrany rekord z tabeli, np. sortowany rekord R1 określony jest przez dwie wartości A1=2 i A2=3.
2. Wejścia sensoryczne SENSIN:Ak przekazują otrzymane wartości do wszystkich istniejących i powiązanych z nimi neuronów receptorycznych (VN), które
przekształcają otrzymane wartości na pewien stopień swojego pobudzenia.
3. Neurony receptoryczne VN nie muszą osiągnąć progu aktywacji, a więc
przekazują swoje pobudzenie do powiązanych z nimi neuronów SN oraz innych neuronów receptorycznych VN pobudzając je odpowiednio do wagi łączącego je połączenia synaptycznego.
4. ASSORT dodatkowo wykorzystuje VNy: liczbowe i reprezentujące wartości ekstremalne: MIN i MAX dla poszczególnych atrybutów.
2 3
ADEF
1
ASIMMIN
ASIM ADEFMAX
SENSIN : A1 4
ASIM6
ASIM ASIM
8
ASIM9
Opis przebiegu działania sortowania ASSORT-1
5. Dla ułatwienia każde wejście sensoryczne SENSIN:Ak przechowuje wielkość zakresu reprezentowanego przedziału swojej wrażliwości:
6. Neurony receptoryczne ekstremów wyznaczają swoje wartości wyjściowe wg:
gdzie x oznacza wartość przekazaną przez SENSINa, a v
MINi v
MAXwartości ekstremalne reprezentowane przez neurony receptoryczne MIN i MAX.
7. Neurony receptoryczne reprezentujące porządkowalne wartości v łączą się w obrębie ich SENSINów, a waga ich połączenia odwzorowuje ich podobieństwo:
8. Połączenia pomiędzy neuronami receptorycznymi VN reprezentującymi
porządkowalne wartości określają relację asocjacyjnego podobieństwa ASIM.
2 3
ADEF
1
ASIMMIN
ASIM ADEFMAX
SENSIN : A1 4
ASIM6
ASIM ASIM
8
ASIM9
MIN MAX
SENSIN : A2
(6.7)
(6.5) (6.3)
(6.1)
Opis przebiegu działania sortowania ASSORT-1
9. Proces plastyczności połączeniowej uruchamiany jest w VNach wtedy, gdy określony VN zostanie mocniej pobudzony przez SENSINa niż za
pośrednictwem połączenia od wcześniej aktywowanego sąsiedniego VNa:
10. Program wewnętrzny VNów wymaga dokładnie dwóch połączeń z innymi VNami, wobec tego VN rozpoczyna proces degradacji synaptycznej, jeśli
połączeń powstało więcej, wysyłając sygnał degradacji przez swoje połączenia.
A wA,X
ADEF 1 ASIM
MIN ADEF ADEF MAX
SENSIN:Ak
B ASIM
ASIM ASIM C ADEF 1
X wB,C
A wA,B
ADEF 1 ASIM
AANG
MIN ADEF ADEF MAX
SENSIN:Ak B ASIM
ASIM ASIM C ADEF 1
X
wB,C
DX,A
DX,B
DX,C
DA,B DB,C
wX,B
ASIM ASIM
(6.8) (6.9)
(6.10)
Opis przebiegu działania sortowania ASSORT-1
11. Funkcja pobudzenia neuronów receptorycznych VN określona jest poprzez następującą zależność:
gdzie
v to wartość reprezentowana przez neuron receptoryczny VN, x oznacza wartość przekazaną przez SENSINa,
R oznacza przedział zmienności danego SENSINa,
𝒕
𝒗wyznacza czas pobudzania receptorycznego neuronu wartości VN wartością x a suma jest liczona po wszystkich połączonych VNach reprezentujących wartości, które są bardziej podobne do wartości x niż wartość v rozważanego VNa.
12. VNy są cały czas pobudzane przez wartość x aż do momentu osiągnięcia aktywacji lub zakończenia
procesów plastyczności i pojawienia się nowej
wartości na wejściu SENSINa:
(6.11)
(6.12)
(6.13)
Opis przebiegu działania sortowania ASSORT-1
13. Kolejne VNy połączone z wcześniej aktywowanymi VNami zostaną aktywowane w czasie określonym następująco:
gdzie
v
1i v
2to wartości reprezentowane przez sąsiednie neurony receptoryczne VN, x oznacza wartość przekazaną przez SENSINa,
R oznacza przedział zmienności danego SENSINa.
14. VNy „potrzebują” przekazać swój stan aktywacji neuronom w taki sposób, żeby je aktywować samodzielnie lub wespół z innymi elementami AASów. Jeśli więc żaden neuron SN nie odpowiada aktywacją na aktywację VNa, inicjuje on proces swojej plastyczności połączeniowej z SNami, a jeśli nie ma żadnego SNa z
aktywnym procesem plastyczności połączeniowej z VNami, wtedy zachodzi proces neurogenezy nowego Sna.
15. VNy z Snami łączą połączenia o następujących wagach:
(6.14)
(6.15)
(6.16)
Przykład wstawienia nowego neuronu receptorycznego VN
1. Na wejściu SENSIN:A1 pojawia się wartość „4”.
2. Ze względu na to, iż żaden receptor natychmiastowo nie odpowiada na tą wartość, tworzony jest nowy VN4 reprezentujący wartość „4”, który inicjuje proces plastyczności połączeniowej z dwoma innymi VNami.
3. Inne receptory reagują po pewnym czasie w zależności od podobieństwa do wartości „4”
zgodnie z wzorem (6.13. i 6.14), tzn. np.:
• VN3 osiąga aktywację po czasie t
VN3= 7 / (7 – |3 – 4|) = 7/6 = 1,167,
• VN2 osiąga aktywację po czasie t
VN2= 7 / (7 – |2 – 4|) = 7/5 = 1,400,
• VN1 osiąga aktywację po czasie t
VN2= 7 / (7 – |1 – 4|) = 7/4 = 1,750,
• VN8 osiąga aktywację po czasie t
VN8= 7 / (7 – |8 – 4|) = 7/3 = 2,333,
A wA,X
ADEF 1 ASIM
MIN ADEF ADEF MAX
SENSIN:Ak B ASIM
ASIM ASIM C ADEF 1
X wB,C
A wA,B
ADEF 1 ASIM
AANG
MIN ADEF ADEF MAX
SENSIN:Ak B ASIM
ASIM ASIM C ADEF 1
X
wB,C
DX,A
DX,B
DX,C
DA,B DB,C
wX,B
ASIM ASIM
A2 8 1 A1
2 3 3 9 1 3 R2 R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6 R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN ASIM ADEF MAX
MIN ADEF ADEF MAX
SENSIN : A2 SENSIN : A1
4 ASIM
ASIM 8
ASIM 8
ASIM 9
ASEQ N5
ADEF
ADEF
AANG
4 8 R5
( F )
Przykład wstawienia nowego neuronu receptorycznego VN
4. Połączone z VN4 zostaną jednak tylko VN3 i VN8, gdyż dla nich spełniona jest zależność (6.8), zgodnie z którą:
• VN3 pobudzany jest przez sensor: VN3
SENSIN:A1= (7 – |3 – 4|) / 7 = 0,857 oraz przez żaden inny, bo VN3 został aktywowany jako pierwszy ze względu na największe podobieństwo.
• VN2 pobudzany jest przez sensor: VN2
SENSIN:A1= (7 – |2 – 4|) / 7 = 0,714 oraz przez VN3 aktywowany wcześniej VN2
VN3= 1 - |2-3|/7 = 0,857 zgodnie z (6.7)
• VN8 pobudzany jest przez sensor: VN8
SENSIN:A1= (7 – |8 – 4|) / 7 = 0,429 oraz przez VN3 aktywowany wcześniej VN8
VN3= 1 - |8-3|/7 = 0,286 zgodnie z (6.7)
A wA,X
ADEF 1 ASIM
MIN ADEF ADEF MAX
SENSIN:Ak B ASIM
ASIM ASIM C ADEF 1
X wB,C
A wA,B
ADEF 1 ASIM
AANG
MIN ADEF ADEF MAX
SENSIN:Ak B ASIM
ASIM ASIM C ADEF 1
X
wB,C
DX,A
DX,B
DX,C
DA,B DB,C
wX,B
ASIM ASIM
A2 8 1 A1
2 3 3 9 1 3 R2 R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6 R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN ASIM ADEF MAX
MIN ADEF ADEF MAX
SENSIN : A2 SENSIN : A1
4 ASIM
ASIM 8
ASIM 8
ASIM 9
ASEQ N5
ADEF
ADEF
AANG
4 8 R5
( F )
(6.8) (6.9) (6.10)
Wnioski ze stosowania asocjacyjnych grafów neuronowych
Aktywne asocjacyjne grafy neuronowe AANG umożliwiają:
Aktywne oddziaływanie danych na siebie dzięki wykorzystaniu neuronów i grafowej strukturze, która integruje dane, ich grupy i sekwencje, które są odpowiednio konsolidowane.
Automatycznie wywoływanie reprezentowanych relacji i to w stosunku, jaki wynika z ich występowania w tabeli.
Neurony wykorzystywane w konstrukcji tych grafów realizują postawione im zadanie sortowania poprzez sprawdzenie bardzo prostych warunków oraz wywołanie przypisanej im reakcji, związanych z tworzeniem się nowych lub zrywaniem starych połączeń oraz zmianę wag synaptycznych.
Wszystkie obliczenia wykonywanych w trakcie sortowania ASSORT odbywają się lokalnie w neuronach bez udziału zewnętrznych algorytmów, które by iterowały po neuronach czy konsolidowały wyniki ich działania. Neurony realizując swoje działania sortują, mimo że „nie wiedzą”, iż to robią, realizując charakterystyczne dla nich operacje plastyczności znane z biologicznych układów nerwowych.
Grafy AANG w przypadku realizacji równoległej zapewniają możliwość posortowania tabel danych równocześnie względem wszystkich atrybutów przy liniowej złożoności obliczeniowej O(n) i bez konieczności dodatkowego indeksowania stosowanego klasycznie w relacyjnych bazach danych.
Czas dosortowania nowych rekordów w przypadku realizacji równoległej ma stałą złożoność obliczeniową O(1).
W przypadku symulacji złożoność wzrasta do O(n p q), gdzie p to ilość parametrów/atrybutów definiujących sortowanie rekordy, zaś q to maksimum z ilości różnych wartości dla poszczególnych atrybutów. Dokładniejsze oszacowanie złożoności umożliwia jego dokonanie na podstawie sumy ilości danych dla wszystkich atrybutów łącznie O(n qi).
Odwzorowanie następstwa danych w strukturach neuronowych 16. Ponadto SNy mogą łączyć się pomiędzy sobą odwzorowując kolejność
prezentacji wzorców, które reprezentują, w czasie:
(6.18) (6.17)
ASEQ -k+1 ASEQ -k+1 ASEQ 2 ASEQ 1 ACON 1 = ASEQ 0
WACON 2 ACON 2
WASEQ 0 WASEQ 1
WASEQ 2 WASEQ -k+1
WACON 3 ACON 3
WACON k ACON k
WACON k-1 ACON k-1
SN -k+1
SN -k WASEQ -k+1 SN 3 SN 2 SN 1 SN 0
t
= k – 1t
= kt
= 3t
= 2t
= 1(6.19)
Stopniowa relaksacja neuronów i kontekst aktywacji
Dzięki stopniowej relaksacji neuronów (tzn. powrotowi do stanu spoczynku) możliwe jest wykorzystanie kontekstu wcześniej aktywowanych neuronów:
ASEQ -k+1 ASEQ -k+1 ASEQ 2 ASEQ 1 ACON 1 = ASEQ 0
WACON 2 ACON 2
WASEQ 0 WASEQ 1
WASEQ 2 WASEQ -k+1
WACON 3 ACON 3
WACON k ACON k
WACON k-1 ACON k-1
SN -k+1
SN -k WASEQ -k+1 SN 3 SN 2 SN 1 SN 0
t
= k – 1t
= kt
= 3t
= 2t
= 1(6.23)
Wykorzystano tutaj najbardziej uproszczoną funkcję aktywacji dla VNów (bez okresu refrakcji).
Tworzenie połączeń ASEQ i ACON oraz wyznaczanie wag
Jeśli kolejność rekordów w tabeli ma znaczenie, wtedy odwzorowujemy tą kolejność tworząc dodatkowo połączenia pomiędzy neuronami N1, …, N9. Tworzone są czasami dodatkowe połączenia kontekstowe (niebieskie) w przypadkach, gdy rekordy reprezentują takie same wartości atrybutów (tutaj. R4 i R7). Reprezentacje neuronalne nie są duplikowane lecz agregowane. Połączenia kontekstowe zapewniają jednoznaczne przejście od N4 do N5 po bezpośrednio wcześniejszej aktywacji N3 oraz od N4 do N8 po bezpośrednio wcześniejszej aktywacji N6:
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3 R4
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
W1,2 W2,3 W3,4
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
AANG
MIN ASIM ADEF MAX
MIN ADEF ADEF MAX
SENSIN : A2 SENSIN : A1
4 ASIM 6
ASIM ASIM 8 ASIM 9
5 ASIM 8
ASIM ASIM 9
N6
N5 W5,6 N8 N9
W4,6
W8,9
W4,8
W4,5 W6,8
W3,5
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ADEF ADEF
N3 W3,4 N4 N5 W5,6 N6 N8
W4,6
W4,8
W4,5 W6,8
W3,5
Tworzenie połączeń ASEQ oraz wyznaczanie wag
>0 to bardzo mała wartość na poziomie błędu zaokrągleń, wprowadzona w celu uniknięcia błędów numerycznych i niestabilności numerycznej wzorów.
Zgodnie z zależnością (6.17): W
3,4= W
4,6= 2 * 1 / (1 + 1) = 1,00, gdyż N3 i N6 są tylko jednokrotnie aktywowane dla sortowanej tabeli w trakcie tworzenia sieci AANG, zaś połączenia N3 N4 i N6 N4 są tylko raz skuteczne w aktywacji neuronu
postsynaptycznego N4.
Zgodnie z zależnością (6.17): W
4,5= W
4,8= 2 * 1 / (2 + 1) = 0,67, gdyż N4 jest
dwukrotnie aktywowany dla sortowanej tabeli w trakcie tworzenia sieci AANG, lecz połączenia N4 N5 i N4 N8 są tylko raz skuteczne w aktywacji neuronów
postsynaptycznych N5 lub N8 odpowiednio.
N3 W
3,4N4 N5 W
5,6N6 N8
W
4,6W
4,8W
4,5W
6,8W
3,5(6.17)
Tworzenie połączeń ACON oraz wyznaczanie wag
W
3,5= W
6,8=[ (2 – 1)/(2 – 1) * (1 – 0,67)]
1/2= 1/3 = 0,58
Tutaj SN
-2= N3 lub N6 odpowiednio, SN
-1= N4, a SN
0to N5 lub N8 odpowiednio.
Połączenia kontekstowe ACON
2: N3 N5 i N6 N8 są tylko raz skuteczne w aktywacji neuronów postsynaptycznych N5 lub N8 odpowiednio, a wagi tych
połączeń wyznaczamy na podstawie zależności (6.18), jak powyżej na przykładzie.
(6.18)
t oznacza upływ czasu (wyrażony przy pomocy liczb naturalnych) pomiędzy aktywacją neuronu
presynaptycznego i postsynaptycznego, a więc ilość połączeń ASEQ pomiędzy odpowiednimi neuronami.
N3
W3,4=1N4 N5
W5,6=1N6 N8
W4,6=1
W4,8=0,67
W4,5=0,67 W6,8=0,58
W3,5=0,58
Aktywacja neuronów i odtwarzanie rekordów
W tym uproszczonym modelu skojarzeniowym czas płynie z szybkością jednej
jednostki czasu pomiędzy pobudzeniami/aktywacjami kolejnych neuronów, a więc stan neuronu w kolejnych chwilach czasu (t) aktualizuje się zgodnie z wzorem (6.23).
(6.23)
N3
W3,4=1N4 N5
W5,6=1N6 N8
W4,6=1
W4,8=0,67
W4,5=0,67 W6,8=0,58
W3,5=0,58
t=1 t=2
t=3 t=3
N3
W3,4=1N4 N5
W5,6=1N6 N8
W4,6=1
W4,8=0,67
W4,5=0,67 W6,8=0,58
W3,5=0,58 t=2 t=1
t=3 t=3
LUB
X=1 X=1 X=1
X=0,67
X=0,67
X=1
X=1 X=1
EXCN5=0,67+0,582 ≈ 1
EXCN5=0,67 <
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
MIN MAX
MIN MAX
SENSIN : A2 SENSIN : A1
AANG
A2 A1
( A )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
3 N1
ADEF
ADEF
ADEF
MIN
ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
AANG
2 3 R1
( B )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1 3
N2 N1
ADEF
ASIM ASEQ
ADEF
ADEF
ADEF
ADEF
MIN
ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
ASIM
8
AANG
8 1 R2
( C )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 N2
N1 N3
ADEF ASIM
ASIM
ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF
MIN
ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
ASIM
8
ASIM
9
AANG
3 9 R3
( D )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
ASIM
8
ASIM
9
AANG
1 3 R4
( E )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIMASIM
8
ASIM
8
ASIM
9
ASEQ
N5
ADEF
ADEF
AANG
4 8 R5
( F )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIMASIM
8
5
ASIM8
ASIM ASIM
9
N6 N5
ASEQASEQ ADEF
ADEF ADEF
AANG
ADEF4 5 R6
( G )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIMASIM
8
5
ASIM8
ASIM ASIM
9
N6 N5
ASEQASEQ ASEQ
ADEF
ADEF ADEF
AANG
ADEF1 3 R7
( H )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIMASIM
8
ASIM9
5
ASIM8
ASIM ASIM
9
N6
N5
ASEQN8
ASEQ
ASEQ ASEQ
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ACON
AANG
9 1 R8
( I )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3 R7
AANG
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIM6
ASIM ASIM
8
ASIM9
5
ASIM8
ASIM ASIM
9
N6
N5
ASEQN8 N9
ASEQ
ASEQ
ASEQ ASEQ
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ACON
6 8 R9
( J )
Sortowanie względem wszystkich atrybutów
A2 8 1 A1
2 3 3 9 1 3 R2
R1 R3
R4 ASSORT
TABELA
4 5 4 8
9 1 6 8 R6
R5
R8 R9
1 3
R7 ...
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
AANG
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIM6
ASIM ASIM
8
ASIM9
5
ASIM8
ASIM ASIM
9
N6
N5
ASEQN8 N9
ASEQ
ASEQ
ASEQ ASEQ
ACON
ACON
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ADEF ADEF
2 3 R1
6 8 R9
( K )
Przykład wnioskowania
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
AANG
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIM6
ASIM ASIM
8
ASIM9
5
ASIM8
ASIM ASIM
9
N6
N5
ASEQN8 N9
ASEQ
ASEQ
ASEQ ASEQ
ACON
ACON
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ADEF ADEF
4 3 ZEWNĘTRZNE
POBUDZANIE
WEJŚĆ
SENSORYCZNYCH
Przykład wnioskowania
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
AANG
MIN
ASIM ADEFMAX
MIN
ADEF ADEFMAX
SENSIN : A2 SENSIN : A1
4
ASIM6
ASIM ASIM
8
ASIM9
5
ASIM8
ASIM ASIM
9
N6
N5
ASEQN8 N9
ASEQ
ASEQ
ASEQ ASEQ
ACON
ACON
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ZEWNĘTRZNE POBUDZANIE
NEURONU
Asocjacyjne relacje: podobieństwo, następstwo…
Asocjacyjne podobieństwo zachodzi pomiędzy połączonymi (ASIM) neuronami lub receptorami reprezentującymi podobne wartości lub ich kombinacje.
Asocjacyjne następstwo zachodzi pomiędzy połączonymi (ASEQ) neuronami reprezentującymi grupy/klasy danych, które pojawiały się kolejno po sobie w czasie. Mogą reprezentować różne obiekty (rekordy, krotki).
Asocjacyjny kontekst utrzymuje się pomiędzy połączonymi (ACON) neuronami reprezentującymi nie bezpośrednio, lecz blisko w czasie następującymi po sobie grupami/klasami danych.
Asocjacyjne definiowanie umożliwia tworzenie reprezentacji neuronalnych obiektów/klas na
podstawie innych neuronowych reprezentacji obiektów/klas lub wartości reprezentowanych przez receptory, połączonych z nimi (ADEF).
2
1
3
3 1
N2
N1 N3 N4
ADEF ASIM
ASIM
ASEQ ASEQ ASEQ
ADEF
ADEF
ADEF
ADEF
ADEF
ADEF ADEF
ADEF
AANG
MIN ASIM ADEF MAX
MIN ADEF ADEF MAX
SENSIN : A2 SENSIN : A1
4 ASIM 6
ASIM ASIM 8 ASIM 9
5 ASIM 8
ASIM ASIM 9
N6
N5 ASEQ N8 N9
ASEQ
ASEQ
ASEQ ASEQ
ACON
ACON
ADEF
ADEF ADEF
ADEF
ADEF
ADEF
ADEF ADEF
Zajrzyjmy do środka
mózgu…
Mózg – dynamicznie zmienna struktura biocybernetyczna
Mózg – to nietypowa maszyna obliczeniowa, gdyż w wyniku interakcji z danymi docierającymi do niego w postaci różnych bodźców dochodzi w nim do zmian:
w jego funkcjonowaniu,
w sposobie przetwarzania kolejnych danych,
w jego strukturze i właściwościach połączeń,
w parametrach budowy i funkcjonowania neuronów,
w zapamiętanych wcześniej faktach, regułach,
w reprezentacji różnych obiektów, akcji i zjawisk,
w sposobie kojarzenia i przypominania sobie skojarzonych faktów.
Każde zdarzenie i doznanie z naszego życia w pewnym stopniu zmienia nasz mózg, sposób jego działania oraz wpływa na przyszłe skojarzenia i podejmowane akcje!
Dynamiczna biocybernetyka naszego mózgu nie ma na razie odpowiednika
w cybernetycznych rozwiązaniach naszej cywilizacji!
REKONFIGUROWALNE UKŁADY FPGA
Współczesne komputery poza układami FPGA zdolnymi do zmiany funktorów logicznych, sieci połączeń oraz bloków we/wy nie są w stanie zmieniać swojej struktury połączeń ani uczyć się nowych zachowań poprzez ich doświadczanie.
Matryce komutacyjne realizujące połączenia w sieci zawierającej cyfrowe układy kombinacyjne i sekwencyjne służące do budowy bloków logicznych połączone z wyprowadzeniami zewnętrznymi nie mają wiele wspólnego ze strukturą
ani połączeniami między neuronami występującymi w biologicznych mózgach!
FPGA
?
http://www.fpga.agh.edu.pl/puc/?download=W_PUC_FPGA_wstep.pdf
BIOLOGICZNY I SZTUCZNY NEURON
Sztuczne neurony stosowane współcześnie w inteligencji obliczeniowej są bardzo ubogimi modelami neuronów biologicznych, wypaczającymi w sposobie swojego działania lub metodzie uczenia (adaptacji) prawdziwy sposób działania neuronów:
X
Sztuczne neurony:
1. Zaniedbują, nie definiują ani nie wykorzystują swoje położenie w strukturze sieci.
2. Bagatelizują znaczenie progu aktywacji sprowadzając go do kolejnej wagi o stałym pobudzeniu.
3. Zmieniają naturalną zdolność większości neuronów do aktywacji na ciągłe i różniczkowalne funkcje aktywacji f.
4. Nie biorą pod uwagę różnej i zmiennej wielkości neuronów wpływające na jego wrażliwość i specjalizację.
5. Funkcje synaps sprowadzają do adaptowalnej wagi, która może wzmacniać wielokrotnie sygnały wejściowe.
6. Sumują ważone sygnały wejściowe nie uwzględniając faktu automatycznego powracania niewystarczająco pobudzonych neuronów do stanu równowagi w czasie ani procesu refrakcji, jakby nie był wcale istotny.
7. Nie biorą pod uwagę czasy różnych procesów zachodzących w biologicznych neuronach.
8. Są rozważane w oderwaniu od reszty elementów: receptorów, płynu mózgowo-rdzeniowego i komórek glejowych.
9. Najczęściej są łączone na zasadzie każdy-z-każdym co wprowadza niepotrzebne interferencje do procesu przetwarzania danych wejściowych i uniemożliwia im specjalizację dla wybranej grupy danych wejściowych.
SZTUCZNY NEURON
Dane z wszystkich wejść x
1… x
nrównocześnie oddziałują na sztuczny neuron.
Poprzednie stany sztucznego neuronu nie mają żadnego wpływu na jego aktualny stan, liczy się tylko aktualne pobudzenie oraz wagi w
0k, w
1k… w
nk.
Nie istnieją żadne zależności czasowe pomiędzy jego stanami.
Reakcja sztucznego neuronu następuje natychmiast i powoduje obliczenie wartości wyjściowej ewaluując wybraną funkcję aktywacji sztucznego neuronu f, której wartość zależna jest od sumy ważonej wejść
𝑦 𝑘 = 𝑓
𝑖=0 𝑛
𝑤 𝑖𝑘 𝑥 𝑖
f y k
x
0=1 x
1x
2x
3x
nw1k w2k w3k
wnk
funkcja aktywacji
wyjście
wejścia
wagi suma
ważona
próg aktywacji
w0k