FPAD alapú neuron modellek Ormos László Miskolci Egyetem Villamosmérnöki Intézet Automatizálási Tanszék.

Az előadások a következő témára: "FPAD alapú neuron modellek Ormos László Miskolci Egyetem Villamosmérnöki Intézet Automatizálási Tanszék."— Előadás másolata:

1 FPAD alapú neuron modellek Ormos László Miskolci Egyetem Villamosmérnöki Intézet Automatizálási Tanszék

2 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.

3 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.

4 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.

5 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.

6 Az idegsejtek automata modellje Az afferens neuron Az afferens neuron automata modellje

7 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 }

8 Az idegsejtek automata modellje Az interim neuron Az interim neuron automata modellje

9 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 }

10 Az idegsejtek automata modellje A moto-neuron A moto-neuron automata modellje

11 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 }

12 A neuronok kísérleti modellje A szinaptikus bemenetek áramköre (dentrit-generátor)

13 A neuronok kísérleti modellje Az axonikus kimenet áramköre (axon-generátor)

14 A neuronok kísérleti modellje

15

16

17 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.