Ну что же продолжим дальше наши изыскания.Первыми делом стоит йти от философии и продолжитиь строить модель нейронную опознавания образов глазами посредством PHP.
.....Зрение......
По аналогии,основные функции зрения:
1)Ориентирование в пространстве
2)Распознование текста
3)Распознование 2-d цветных плоскостей
4)Распознование 3-d цветных образов
//На входе массив содержащий изображение шириной в три пикселей и длиной в три пикселей.На каждый пиксель приходиться по //три байта- один на красный,второй на зелёный,третий на голубой — вообщем RGB .Всего 27 позиций:
//(опять же сила цвета от одного до десяти)
///База данных///
/*
В этом случае для базы данных нам нужно сформировать модель не зависящую от многих преобразований,
таких как поворот,уменьшение и увеличение,освещённость,сдвиг,шум.Можно в принципе просто сделать сотни вариантов этого
изображений этого предмета и уже их поочерёдно или параллельно сравнивать с исходным,но это не выход.
Освещённость можно опять же использовать среднеарифметическое преобразование.
Для шума нам надо ввести статистику и пределы
Для сдвига по оси X и Y нужен перебор вариантов
Для уменьшения и увеличения нужен опять же перебор размеров
Для поворота опять же перебор углов поворота.
Это в случае прямого сравнивания,однако такая система будет слишком сложной (но и наш мозг сложный)
То есть это мы организуем посредством встроенных циклов(кстати,любой цикл не зависящий от внутренних переменных можно разложить в нейронах на парраллельные потоки )
Однако нам стоит подумать какую общую запись можно сделать для 3d модели паровоза ,опыт нам говорит что паравоз состоит
из множества деталей,каждый из которых имеет собственную особенность.То есть паравоз опознаётся из частей его составляющих,
соотвественно части паравоза должны иметь свои собственные опознаваемые модели.
Пусть эти модели будут отцентрованы,уменьшены все до 50 пикселей на 50 пикселей,и хранятся таким образом.Однако,при каждой операции сравнения нам придётся создовать а потом уничтажать все возможные размеры и повороты в плоскости это модели.
Соответсвенно правильнее использовать либо какие-то общие признаки в моделях (легкосравниваемые и легко определяемые),а потом переходить к деталям.Однако,нам нужно только самая простейшая модель зрения,ничего более,чтобы уместить её в пределы пары тысяч нейронов.
[Однако я слышал что где-то исследовали модель мозга простых организмов ,таких как змея,любопытно было бы посмотреть на общую структуру мозга змеи из этих исследований,надо будет поискать источники]
Тогда с этой стороны правильнее было бы действовать от простого к сложному для начала создав модель безщ преобразований,постепенно прибавляя их по мере развития
Тогда:
*/
$кадр_жизни[1]='000555000';//
$кадр_жизни[2]='000555000';//Солнце видим
$кадр_жизни[3]='000555000';//
$предметы['паровоз'][1]='000555000';//типо труба
$предметы['паровоз'][2]='000555555';//типо кабина
$предметы['паровоз'][3]='555555555';//типо рама
$предметы['солнце'][1]='000555000';//Солнце квадратное получилось
$предметы['солнце'][2]='000555000';//
$предметы['солнце'][3]='000555000';//
foreach($кадр_жизни as $k=>$v)
{
foreach($предметы as $k2=>$п)
{
for ($x=1;$п[$x];$x++)
{
if($п[$x]==$v[$x])
{
$result=true;
$предмет=$k2;
}
else
{
$result=false;
}
}
Учитывая то что все циклы на нейронах можно заменить параллельной обработкой,следует заметить что основная операция в этом случае сравнение поочерёдное (в нейронах параллельное) пикселей шаблона и пикселей кадра из жизни.
С этой точки зрения интересно как должна выглядеть память и обучение новым образам.Как мы знаем память в нейронах должна зависеть от силы связей между ними.Соотвественно в этих связях должна сохраняться информация обо всём что мы ыидим или слышим
[Кстати,интересно есть ли память белковая внтри клеток ,которая могла бы записывать конфигурации сигналов в белке]
Но как видно из Википедии таких памятей как белковая нет:
Цитата:
# по физиологическим принципам — определяемая структурой связей нервных клеток (она же долговременная) и определяемая текущим потоком электрической активности нервных путей (она же кратковременная)
Конец цитаты
То есть мы должны сохранить шаблоны для сравнения в путях (изменяющихся) между нейронами если хотим в дальнейшем иметь возможность их вспоминать.Тогда ! ещё интереснее встаёт вопрос о том :как сохраняется память при обращении к ней? .ТО есть если мы обращаемся к памяти то соотвестенно связи между нейронами участвующих в обращении должны укрепляться а память соотвественно изменяться.
Но нас интересует вопрос о структуре такой памяти.Как я уже говорил сигнал в такой памяти будет стремиться пройти по такому же пути что и в прошлый раз из-за явления укрепления связи.Соответсенно чтобы сохранить шаблон поезда есть несколько вариантов:
1)либо мы воспринимаем связь между нейронами как определённое число,и соотвестенно из рядов нейронов строим биты и байты информации
2)либо мы воспринимаем уникальный путь который прошёл сигнал в этой структуре как явление и памяти и вычисления одновмеременно
Первый путь выглядит более логическим воторой более естевственным
[Кстати,есть интресный проект Нумента (Numenta) по созданию искусственного интелеекта,там используется такая же архитектура как и во втором случае
Иерархическая темпоральная память
На русском описание:
Последнее обновление: (нужно знание английского)]
Вообщем задача которую я поставил не явлвяется создание ИИ в этих условиях,а создание и понимание механизма и алгоритмов существования мозга.
Обучение новым образам является более интересной вещью,итак всё что мы видим мы в состоянии запомнить в независимости от конфигурации предметов и их расцветки,даже если этот предмет новый для нас ,мы всё равно его запомним,и даже будем способны загрузить его в своё виртуальное пространство в котором мы можем им манипулировать,создавать системы с его участиям и предсказывать поведение с этой системой.Соотвественно в памяти должен быть указатель который последовательно записывает нейроны в нужной новой! информацией в свободные нейроны или вместо указателя должна образовываться связь от уже известных нейронов.То есть при развитии ребёнка все образы которые он начинает видеть должны записываться автоматически в нейронную сеть.
Следущей моей задачей будет создание реального нейронного прототипа нейронной схемы.