Причинный подход к построению бионических вычислений на основе рекурсивных моделей анализа данных

Р. В. Насыров

Аннотация


В рамках концепции причинного подхода рассматриваются рекурсивные модели и схемы анализа данных в форме последовательностей значений. Существующие методы, использующие рекуррентные схемы при обработке данных включают рекурсивный метод наименьших квадратов (МНК) и его производные, рекурсивные цифровые фильтры, рекурсивные искусственные нейронные сети. В отличие от известных методов рассматривается парадигма событийного ревербератора, порождающего последовательности событий и на его основе дается теоретическое обоснование рассмотрения данных в форме последовательностей значений как объектов, порождаемых повторяющимися процессами, которые можно представить в рекуррентной форме. Рассматривается возвратная рекурсия как модель бионических вычислений, позволяющая строить совокупность вычислительных схем, которые реализуют функцию усвоения простейших закономерностей, формирующих вариабельность исходных данных представленных в форме последовательности значений. Практическое применение результатов исследований на основе предлагаемого подхода возможно в области технических и информационных компонентов, обладающих ограниченными ресурсами памяти и вычислительной мощности.

Ключевые слова


причинная парадигма; бионические вычисления; рекурсивные модели; анализ данных

Полный текст:

PDF

Литература


Войшвилло Е. К., Дегтярев М. Г. Логика: учеб. для студ. высш. учеб. заведений. М.: ВЛАДОС-ПРЕСС, 2001. 528 с. [ E. K. Voishvillo, M. G. Degtyarev, Logic: Textbook. for stud. higher. study. Institutions, (in Russian). Moscow: VLADOS-PRESS, 2001. ]

Heise D. R. Causal analysis. New York: A Wiley interscience publishing, 1975. 301 p.

Ljung L. System Identification:Theory for the User. Sweden: Prntice-Hall, 1987. 609 p.

Волынский М. А. Обработка сигналов в оптической когерентной томографии с использованием рекурсивной обратной свертки / под ред. В. В. Тучина [и др.] // Проблемы оптической физики и биофотоники. Саратов: Новый ветер, 2009. С. 33–37. [ M. A. Volynsky, “Optical Coherence Tomography Signal Processing Using Recursive Inverse Convolution”, (in Russian), in Problems of Optical Physics and Biophotonics. V. V. Tuchina, et al. (eds.). Saratov: Novyy veter, 2009. ]

Дмитриева E. Л, Волынский М. А. Исследование характеристик алгоритма на основе рекуррентного метода наименьших квадратов для динамической обработки интерферометрических сигналов / Гл. ред. В. О. Никифоров // Сборник тезисов докладов конференции молодых ученых. Выпуск 2. Труды молодых ученых. СПб.: СПбГУ ИТМО, 2011. С. 154. [ E. L. Dmitrieva, M. A. Volynsky, Investigation of the characteristics of the algorithm based on the recurrent least squares method for dynamic processing of interferometric signals, (in Russian), in Collection of abstracts of the conference of young scientists, Issue 2. Proceedings of young scientists. O. F. Nikiforov (ed.-in-chief). Saint Petersburg: SPbGU ITMO, 2011. ]

Волынский М. А. Рекуррентные алгоритмы обработки данных в оптической когерентной томографии: автореф. дис. … канд. техн. наук: 05.13.01. Санкт-Петербург, 2013. 20 с. [ M. A. Volynsky, Recurrent algorithms for data processing in optical coherence tomography: D.E.S. diss. Abstr., (in Russian). Saint Petersburg, 2013. 20 p. ]

Волынский М. А., Гуров И. П. Рекуррентная обработка данных в спектральной оптической когерентной томографии на основе фильтрации Калмана // Научно-технический вестник информационных технологий, механики и оптики. 2013. № 2 (84). С. 40–44. [ M. A. Volynsky, I. P. Gurov, “Recurrent data processing in spectral optical coherence tomography based on Kalman filtering”, (in Russian), in Nauchno-tehnicheskij vestnik informacionnyh tehnologij, mehaniki i optiki, no. 2 (84), pp. 40-44, 2013. ]

Волынский М. А., Гуров И. П. Метод динамической обработки данных в спектральной оптической когерентной томографии компенсацией влия-ния дисперсии // Научно-технический вестник информационных технологий, механики и оптики. 2013. № 6 (88). С. 50–55. [ M. A. Volynsky, I. P. Gurov, “The method of dynamic data processing in spectral optical coherence tomography by compensating for the effect of dispersion”, (in Russian), in Nauchno-tehnicheskij vestnik informacionnyh tehnologij, mehaniki i optiki, no. 6 (88), pp. 50-55, 2013. ]

Воевода А. А., Трошина Г. В. Рекуррентный метод оценивания параметра в динамическом объекте // Научный вестник НГТУ. 2016. Т. 65, № 4. С. 7–18. [ A. A. Voevoda, G. V. Troshina, “Recurrent method for estimating a parameter in a dynamic object”, (in Russian), in Nauchnyj vestnik NGTU, vol. 65, no. 4, pp. 7-18, 2016. ]

Жиров М.В., Макаров В.В. Рекуррентная идентификация в задачах адаптивного управления нестационарными объектами // XIII Всероссийское совещание по проблемам управления ВСПУ-2019 (Москва, 17–20 июня 2019). М.: Институт проблем управления им. В. А. Трапезникова РАН, 2019. С. 491–496. [ M. V. Zhirov, V. V. Makarov, “Recurrent identification in the problems of adaptive control of non-stationary objects”, (in Russian), in XIII All-russian meeting on problems of control (VSPU-2019), 2019, pp. 491-496. ]

Hamming R. W. Digital filters. Englewood cliffs, New Jersy: Prentice-hall, 1977. 226 p.

Jordan M. I. Serial order: A parallel distributed processing approach // Institute for Cognitive Science Report 8604. San Diego: University of California, 1986.

Elman J. Finding structure in time // Cogn. Sci. 1990. Vol. 14. Pp. 179-211. DOI: 10.1207/s15516709cog1402_1.

Solving Arithmetic Word Problems by Scoring Equations with Recursive Neural Networks / K. Zaporojets, et al. // Expert Systems with Applications. 2021. Vol. 174. Article number: 114704. DOI: 10.1016/j.eswa.2021.114704.

Talarico E., Leao W., Grana D. Comparison of Recursive Neural Network and Markov Chain Models in Facies Inversion // Mathematical Geosciences. 2021. Vol. 53, Iss. 3. Pp. 395-413. DOI: 10.1007/s11004-020-09914-w.

Hochreiter S., Schmidhuber J. Long short-term memo-ry // Neural Computation. 1997. Vol. 9, no. 8. Pp. 1735-1780. DOI: 10.1162/neco.1997.9.8.1735.

Huang P. Exploration of event segmentation theory using LSTM // Thesis submitted in partial fulfillment of the requirements for the degree Master of Science. Tubingen, 2016. 24 p.

Исследование применимости рекуррентных сетей LSTM в задаче поиска пользователей-экспертов социальных сетей / П. И. Банокин [и др.] // Программные системы и вычислительные методы. 2017. № 4. С. 53–60. [ P. I. Banokin, et al., “Investigation of the applicability of recurrent LSTM networks in the problem of finding users-experts of social networks”, (in Russian), in Programmnye sistemyi vychislitelnye metody, no. 4, pp. 53-60, 2017. ]

ALSTM: Adaptive LSTM for Durative Sequential Data / D. Niu, et al. // 2018 IEEE 30th International Conference on Tools with Artificial Intelligence. 2018. Pp. 151-157. DOI 10.1109/ICTAI.2018.00032.

Fu L. Time Series-oriented Load Prediction Using Deep Peephole LSTM // 12th International Conference on Advanced Computational Intelligence. 2020. Pp. 86-91. DOI: 10.1109/ICACI49185.2020.9177688.

Mountcastle V. B. Modality and topographic properties of single neurons of cat's somatic sensory cortex // Journal of Neurophysiology. 1957. Vol. 20, Iss. 4. Pp. 408-434. DOI: 10.1152/jn.1957.20.4.408.

Hubel D. H., Wiesel T. N. Shape and arrangement of columns in cat's striate cortex // J. Physiol. 1963. Vol. 165, Iss. 3. Pp. 559-568. DOI: 10.1113/jphysiol.1963.sp007079.

Бакусов Л. М. Методы и модели причинно-структурного анализа в исследовании самоорганизующихся систем. М.: Машиностроение, 2005. (Уфа : Уфимский полиграфический комбинат, 2005). 227 с.: ил., табл. [ L. M. Bakusov, Methods and models of cause-structural analysis in the study of self-organizing systems, (in Russian). Moscow: Mashinostroenie, 2005. (Ufa : Ufimskij poligraficheskij kombinat, 2005). ]

Маркушевич А. И. Возвратные последователь-ности. М.: Наука, 1983. 48 с. [ A. I. Markushevich, Recurrent sequences, (in Russian). Moscow: Nauka, 1983. ]

Урсул А. Д. Отражение и информация. М.: Политиздат, 1973. 233 с. [ A. D. Ursul, Reflection and information, (in Russian). M.: Politizdat, 1973. 233 p. ]

Бакусов Л. М., Насыров Р. В., Лебедев Е. Г. Причинный анализ для принятия решений. Уфа: УГАТУ, 1993. 96 с. [ L. M. Bakusov, R. V. Nasyrov, E. G. Lebedev, Causal analysis for decision-making, (in Russian). Ufa: UGATU, 1993. ]

Арнольд В. И. Обыкновенные дифференциальные уравнения. М.:Наука, 1971. 240 c. [ V. I. Arnold, Ordinary differential equations, (in Russian). Moscow: Nauka, 1971. ]

Porter W. A. Modern foundation of system engineering. New York: The MacMillan Company, 1966. 493 p.

Теория автоматического управления / под ред. А. А. Красовского. М.: Наука. Гл. ред. Физ.-мат. лит., 1987. 712 с. [ A. A. Krasovsky (ed.), Theory of automatic control, (in Russian). Moscow: Nauka. Gl. red. Fiz.-mat. lit., 1987. ]

Гантмахер Ф. Р. Теория матриц. М.: Физматлит, 2010. 558 с. [ F. R. Gantmakher, Matrix theory, (in Russian). Moscow: Fizmatlit, 2010. ]

Korn G. A., Korn T. M. Mathematical handbook. New York: McGraw Hill Company, 1968. 1129 p.

Прангишвили И. В., Пащенко Ф. Ф., Бусыгин Б. П. Системные законы и закономерности в электродинамике, природе и обществе. М.: Наука, 2001. 525 с.: ил. [ I. V. Prangishvili, F. F. Pashchenko, B. P. Busygin, System laws and patterns in electrodynamics, nature and society, (in Russian). Moscow: Nauka, 2001. ]

Бакусов Л. М., Сафин Ш. М., Насыров Р. В. Компартментные модели нейронных механизмов усвоения закономерностей на основе теории самообучающихся рекурсивных фильтров // Вестник новых медицинских технологий. 2002. Т. 9, № 3. C. 72–75. [ L. M. Bakusov, Sh. M. Safin, R. V. Nasyrov, “Compartmental models of neural mechanisms of assimilation of regularities based on the theory of self-learning recursive filters”, (in Russian), in Vestnik novyh medicinskih tehnologij, no. 3, pp. 72-75, 2002. ]

Краткий психологический словарь. М.: Политиздат, 1985. 431 с. [ A Brief Psychological Dictionary, (in Russian). Mosocw: Politizdat, 1985. ]




DOI: https://doi.org/10.54708/26585014_2022_41827

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2022 Р. В. Насыров