FPAD alapú neuron modellek Ormos László Miskolci Egyetem Villamosmérnöki Intézet Automatizálási Tanszék
FPAD alapú neuron modellek A sokoldalúan felhasználható neurális hálózat modellje az emberi agy, amely magába foglalja a környezet jeleit érzékelő és azt ingerületté alakító primer neurális hálózatot, valamint az ingerületekre adandó megfelelő válasz kidolgozására szolgáló másodlagos neurális hálózatot.
FPAD alapú neuron modellek Az emberi intelligencia az idegrendszert alkotó neuronok közötti adatáramlás eredménye. Az adatfeldolgozás sebessége és a kidolgozott válaszok száma az idegsejtek számától és a sejtek között létező szinaptikus kapcsolódások számától függ.
FPAD alapú neuron modellek Az organikus idegrendszert sokféle, különböző feladattal rendelkező idegsejt - neuron - alkotja. A neuronok típusai: bipoláris neuronok, pseudounipoláris neuronok, piramis sejtek, interneuronok, Purkinje-sejtek, preanglion sejtek, postanglion sejtek, moto-neuronok.
Az idegsejtek automata modellje A mesterséges intelligenciát alkotó neurális funkciókat a mesterséges reflex íveket alkotó hálózatok és a reflex íveket hálózattá, mesterséges idegrendszerré szervező neurális elemek hozzák létre.
Az idegsejtek automata modellje Az afferens neuron Az afferens neuron automata modellje
Az idegsejtek automata modellje Az afferens neuron véges automatáját leíró objektumok: Q={S, U a, U ep, U ip } ={gp, i pr, f pr } ={(S, gp)=U a, (U a, i pr )=U a, (U a, f pr )=U ep, (U a, f pr )=U ip } F={U ep,U ip }
Az idegsejtek automata modellje Az interim neuron Az interim neuron automata modellje
Az idegsejtek automata modellje Az interim neuron automatáját leíró objektumok: Q={S, U e1, U e2,..., U ex, U AC } ={ep 0,..., ep x, ip 0,..., ip x } ={(S, ep 0 )=U e1, (S, ip 0 )=S, (U e1, ip 1 )=S, (U ej, ep j )=U e(j+1), (U ej,ep j )=U AC, (U ex,ep x )=U AC, (U ej, ip j )=U e(j-1) } F={U AC }
Az idegsejtek automata modellje A moto-neuron A moto-neuron automata modellje
Az idegsejtek automata modellje A moto-neuron automatáját leíró objektumok: Q=S, U AC ={e p, i p, } ={(S, i p )=S, (S, e p )=U AC, (U AC, )=S} F={U AC }
A neuronok kísérleti modellje A szinaptikus bemenetek áramköre (dentrit-generátor)
A neuronok kísérleti modellje Az axonikus kimenet áramköre (axon-generátor)
A neuronok kísérleti modellje
Neurális mesterséges intelligencia alkalmazások Lassú folyamatok valósidejű irányítása –növényházak technológiai rendszerének irányítása a növény fejlődésének figyelembevételével, –gépjárművezetők fáradtságának ellenőrzése, –gőzkazánok technológiai rendszerének irányítása. Gyors folyamatok valósidejű irányítása –alak- és eseményfelismerés, –változtatható szárnyállású repülőgépek longitudinális stabilitásának felügyelete a nyilazási szög változtatása során.