Нейросетевая реализация системы автономного адаптивного управления
    
    Принятые обозначения
    - множество неотрицательных целых чисел
    - граф со множеством вершин V и множеством ребер N
    - ребро, направленное из вершины i в вершину j
    - взаимнооднозначное отображение множества X на множество Y
    - множество конечных подмножеств множества X
    R[a,b] - множество вещественных чисел на [a,b]
    
    BN - пространство двоичных векторов размерности N
    - пустое слово из множества входных слов КА
    0 - ложь в выражении трехзначной логики
    1 - истина в выражении трехзначной логики
    - неопределенность в выражении трехзначной логики
    - есть подвектор (совокупность выбранных компонент) вектора
    - класс Y является потомком класса X
    
    Введение.
    
    1.1. Введение и задачи работы.
    
    При современном уровне развития техники, когда даже бытовая техника оснащается микропроцессорными устройствами, возникла потребность в интеллектуальных адаптивных системах управления, способных приспосабливаться к очень широкому диапазону внешних условий. Более того, возникла потребность в универсальной технологии создания таких систем. Научный опыт человечества свидетельствует о том, что в природе можно найти великое множество ценных идей для науки и техники. Человеческий мозг является самым удивительным и загадочным созданием природы. Способность живых организмов, наделенных высшей нервной системой, приспосабливаться к окружающей среде может служить призывом к подражанию природе или имитации при создании технических систем.
    Среди имитационных подходов выделяется класс нейросетевых методов. Нейронные сети (НС) нашли широкое применение в областях искуственного интеллекта, в основном связанных с распознаванием образов и с теорией управления. Одним из основных принципов нейросетевого подхода является принцип коннективизма. Суть его выражается в том, что рассматриваются очень простые однотипные объекты, соединенные в большую и сложную сеть. Таким образом, НС является в первую очередь графом, с которым можно связать совокупность образов, представленных как численные значения, ассоциированные с вершинами графа, алгоритм для преобразования этих численных значений посредством передачи данных между соседними вершинами и простых операций над ними. Современный уровень развития микроэлектроники позволяет создавать нейрочипы, состоящие из очень большого числа простых элементов, способных выполнять только арифметические операции. Таким образом, нейросетевые методы поддерживается аппаратно.
    Математически НС можно рассматривать как класс методов статистического моделирования, который в свою очередь можно разделить на три класса: оценка плотности вероятности, классификация и регрессия [NN]. В частности, в [NN] показано, что с помощью сетей обратного распространения и обобщенного - правила решается задача оценки плотности вероятности методом смешивания гауссовских распределений.
    В отделе имитационных систем Института Системного Программирования РАН разработан метод автономного адаптивного управления (ААУ). ............