Предыдущая страница реферата | 1  2  3 | Следующая страница реферата

Удачным походом в данном случае может быть статистическое описание движения. Для это строятся функции корреляции значений скорости различных рангов. Такие функции, будучи весьма обобщенной моделью системы, нечувствительны к начальным данным и дают удовлетворительное соответствие макроскопическому поведению системы. Основной проблемой статистической гидромеханики является построение конечной цепочки корреляционных функций, обнаружения внутренних взаимозависимостей законов распределения и изменения скоростей.  

В статистической гидромеханике на первом месте стоит изучение поведения структур, возникающих в пограничном слое. Именно структура потока в этом слое определяет величину вязких сил, действующих на поверхность обтекаемого тела и поэтому основными приложениями теории стали практические задачи, возникающие при конструировании летательных аппаратов и скоростных судов.

Диффузный рост 

При изучении форм растущих в условиях неоднородностей кристаллов было замечено, что их структура фрактальна, т.е. повторяется на разных уровнях масштаба. Причины, по которым возникает такая упорядоченность в деталях неизвестны.  

Говоря о процессе осаждения частиц при электролизе, Л. Сандер [13] предположил, что появление скейлинговой регулярности может быть связано с тем, что вероятность прилипания частицы к выпуклому участку поверхности выше, чем вероятность ее проникновения во впадины. Таким образом, стимулируется развитие отростков. Однако процесс является неустойчивым и на отростках в свою очередь появляются зародыши роста боковых ответвлений. Таким образом, взаимодействие стохастических процессов и процессов роста приводит к образованию огромного диапазона различных узоров.  

В пользу такой теории говорит поразительное соответствие между компьютерной моделью диффузного роста кристаллов и реальными природными образованиями.  

Фрактальная структура свойственна не только кристаллам. Похожую форму имеют пальцы, образующиеся при взаимодействии двух жидкостей различной вязкости, например, между водой и нефтью. Совершенно иную природу но похожий вид имеет электрический разряд в газе. Сандер предполагает, что такой подход к описанию возникновения фрактальных структур может быть применен для объяснения биологических объектов, коралловых рифов, ветвления сосудов кровеносной системы.

2. Информационные системы 

Человеческий мозг - это гигантская сеть из десятков миллиардов нервных клеток, связанных между собой отростками (дендритами и аксонами). Благодаря работам нейрофизиологов достаточно хорошо известен механизм действия отдельного нейрона. Отвлекаясь от быстрых переходных процессов, можно сказать, что нервная клетка способна находиться в одном из трех дискретных состояний: покое, возбуждении и невозбудимости (рефрактерности). Переходы между состояниями управляются как процессами внутри самой клетки, так и электрическими сигналами, поступающими к ней по отросткам от других нейронов. Переход от состояния покоя к возбуждению происходит пороговым образом при почти одновременном поступлении достаточно большого числа импульсных сигналов возбуждения. Оказавшись в возбужденном состоянии, нейрон находится в нем в течение определенного времени, а потом самостоятельно переходит к состоянию рефрактерности. Это состояние характеризуется очень высоким порогом возбуждения: нейрон практически не способен реагировать на приходящие к нему сигналы возбуждения. Через некоторое время способность к возбуждению восстанавливается и нейрон возвращается в состояние покоя.  

Кроме устройства отдельной нервной клетки относительно хорошо изучены глобальные аспекты деятельности мозга - назначение его отдельных областей, связи между ними. Однако попытки описать работу мозга с позиций текущих принципов функ-ционирования вычислительных устройств с линейной организацией вычислений приводят к фантастическим цифрам скорости передачи информации. Несколько ближе оказываются распределенные вычислительные сети, но они и построены на дискретных принципах, в то время как мозг использует аналоговую обработку.  

Непрекращающиеся попытки построить подобные мозгу вычислительные системы привели к идее использования нечеткой логики. Большие надежды связаны с нанотехнологиями и молекулярными компьютерами, что требует нового взгляда на проблему обеспечения надежности, так как вероятность прекращения функционирования отдельного элемента достаточно высока. Видимо и программирование такого компьютера будет отличаться от традиционного подхода, возможно более напоминая процесс тренировки/обучения.

Клеточные автоматы

В качестве модели таких устройств сейчас рассматриваются клеточные автоматы. Ими обычно называют сети из элементов, меняющих свое состояние в дискретные моменты времени по определенному закону, в зависимости от того, каким было состояние самого элемента и его ближайших соседей по сети в предыдущий дискретный момент времени.  

Самым известным клеточным автоматом является игра Жизнь. Здесь сеть представляет собой двумерную или трехмерную решетку элементов, каждый из которых может иметь два состояния: жив или мертв. Смерть, жизнь или оживление клетки определяется количеством живых соседей: в пустоте или при перенаселенности клетка гибнет, в некотором диапазоне числа соседей продолжает жить, такое же число может воспроизвести новую клетку. Более сложные автоматы могут иметь большее количество состояний элементов, элементы могут быть подвержены случайным возмущениям и т. п. По своему поведению клеточные автоматы делятся на четыре класса. К первому классу относятся автоматы, приходящие через определенное время к устойчивому однородному состоянию. Автоматы второго класса через некоторое время после пуска генерируют стационарные или периодические во времени структуры.  

В автоматах третьего класса по прошествии некоторого времени перестает наблюдаться корреляция процесса с начальными условиями. Наконец, поведение автоматов четвертого класса сильно определяется начальными условиями и с их помощью можно генерировать весьма различные шаблоны поведения. Такие автоматы являются кандидатами на прототип клеточной вычислительной машины. В частности, с помощью специфических клеточных конфигураций игры Жизнь, которая как раз и является автоматом четвертого типа, можно построить все дискретные элементы цифрового компьютера.  

Клеточные автоматы используются для моделирования гидродинамических течений, так как уравнения гидродинамики соответствуют математической модели, описывающей поведение решетчатого газа, одного из клеточных автоматов, на макроуровне. Структуры, возникающие в игре Жизнь , очень точно повторяют возмущение поведение поверхности потока жидкости механическим препятствием. Примитивные одномерные клеточные автоматы мо-гут моделировать процесс горения различного характера.

Автоматы - колонии 

Такие автоматы используются для моделирования поведения во времени и пространстве популяций живых организмов. Чтобы пояснить, о чем идет речь, опишем автомат Aquatorus , предложенный Аланом Дьюдни [2]. Здесь элементами автомата являются не просто участки среды, а объекты различных типов, способные перемещаться в среде и взаимодействовать между собой. В автомате Дьюдни таких типов два: акулы и рыбы. Некоторый временной параметр задает период, после которого у объектов каждого типа возникает потомство, т.е. новый объект того же типа. Еще один параметр задает время жизни объектов каждого типа, причем для акул он меньше, но последние могут продлить свое существование, поглотив объект типа рыба .  

При достаточно большом размере виртуальной среды, не представляет большой сложности подобрать вышеназванные параметры таким образом, чтобы система существовала достаточно долго. При этом количество рыб и акул будет испытывать колебания, но не упадет до нуля. Наблюдения за мо-делью показали, что возникновение упорядоченности в характере распределения объектов разных классов по среде, как правило, приводило к гибели одной из популяций.

Как отмечает Дьюдни, статистические данные по колебанию числа особей каждого вида намного лучше описывают встречающиеся в природе изменения количества хищников и жертв, чем решение уравнений аналитической модели.

Память и распознавание образов 

Существует масса приложений, требующих реализации эффективной системы распознавания образов. Один из возможных путей ее создания - построение динамической системы, аттракторами которой в ее конфигурационном пространстве были бы типичные картины-образы. Начальные условия всегда окажутся в области притяжения одной из картин, с течением времени система трансформирует начальные параметры, приведя их к наиболее близкой структуре-аттрактору. То есть произойдет автоматическое распознавание образа.  

Теоретическая модель подобной динамической системы была предложена Дж. Хопфилдом и названа спиновым стеклом. Спиновое стекло состоит из набора элементов, каждый из которых обладает положительным или отрицательным спином. Задается некоторая матрица попарных взаимодействий элементов, определяющая суммарную энергию взаимодействующих спинов. Со временем состояние элементов меняется таким образом, чтобы понизить полную энергию системы.  

Оказывается, матрица взаимодействий может быть записана таким образом, чтобы соответствовать состояниям с минимумом энергии для нескольких картин состояния элементов. При этом некоторое начальное состояние элементов со временем сэволюционирует в ближайшее с минимумом энергии, или, что то же самое, в наиболее похожее, запрограммированное в матрице. Собственно в этом и состоит процесс распознавания образов. На спиновых матрицах можно построить и обучающиеся системы. В них элементы матрицы взаимодействия имеют состояние программирования, когда их значение меняется по определенному закону, учитывающему демонстрируемый образ, то есть текущее состояние спиновых элементов.  

Недостаток такой схемы системы распознавания образов состоит в невозможности анализа закономерностей во входных данных. Его лишены так называемые персептроны, принцип действия которых описан далее. Персептрон имеет сетчатку, т.е. набор клеток, принимающих входной образ. Помимо сетчатки в персептроне присутствуют элементы (надо заметить, что их количество превышает число клеток сетчатки), анализирующие состояние определенного подмножества клеток сетчатки. Выходной сигнал такого элемента передается на следующий логический уровень. Выходной сигнал является положительной реакцией на появление во вверенной такому элементу части сетчатки одного из заданных образов. В конце концов, сигналы поступают на центральный анализатор, который умножает их на соответствующие весовые коэффициенты, складывает их и оценивает уровень результата на предмет превышения им некоторого заданного порога.  

Возможно построить прибор, обнаруживающий некоторые несложные зависимости в демонстрируемых образах, типа наличия линий определенной ориентации, геометрических фигур и т.п. Персептроны также могут иметь механизм обучения.  

Необходимо заметить, что на описанных в этом параграфе принципах строятся практические (и коммерческие!) реализации электронных схем распознавания образов.

Решение оптимизационных задач 

Часто в различных сферах деятельности возникают задачи нахождения оптимального варианта из неограниченного числа возможных. Точного решения, как правило, не требуется, но дискретный компьютер не способен эффективно дать даже приблизительно оптимальный результат. Рассмотрим в качестве элементарного примера задачу о прокладке трубопровода между двумя населенными пунктами, причем стоимость прокладки зависит от территории, по которой пройдет трасса, а целевой функцией является максимальная дешевизна работы.  

Для ее решения существует оригинальная модель аналогового компьютера, представляющая собой два листа некоторого материала, изображающие территорию строительства, соединенных двумя шпильками, в местах, соответствующим населенным пунктам. Расстояние между листами неравномерно по всей поверхности и моделирует распределение стоимости прокладки на данном участке местности. Прибор опускается в мыльный раствор и образовавшаяся пленка, автоматически придя к состоянию с наименьшей энергией, ляжет на линии одного из наиболее оптимальных маршрута.  

В серьезных задачах пользуются описанным в предыдущем параграфе спиновым полем. В частности, для задач поиска разбиения графа на группы с минимальным числом связей между ними, для спиновой сетки задается матрица связей со значениями О или 1 для несвязанных и связанных элементов соответственно. Суть решения сводится к переходу в состояние с минимумом энергии. Отличие от системы распознавания образов состоит в подборе функции энергетических переходов элементов. Функция должна позволять элементу переходить вверх по поверхности потенциальной энергии, чтобы обеспечить возможность прохождения локального минимума. Проблема решается введением вероятностного алгоритма переходов, т.е. переход с приростом энергии возможен, но с вероятностью, обратно пропорциональной этому приросту.

Рекомендуем скачать другие рефераты по теме: класс, дипломы грамоты.





Предыдущая страница реферата | 1  2  3 | Следующая страница реферата