Аннотация.

В теории знаковой картины мира элементарной единицей информации при моделировании произвольных когнитивных процессов планирования, целеполагания и рефлексии является знак, понимаемый как четырехкомпонентная структура. Отдельные компоненты знака отвечают за реализацию более простых непроизвольных процессов, которые играют роль автоматических поддерживающих функций. Для описания поддерживающих функций картины мира используются понятия каузальной матрицы и каузальной сети, определения которых уточняются в данной работе. Вводятся процедуры распространения активности по каузальной сети. На примере образной компоненты знака предложен алгоритм формирования каузальной матрицы и фрагмента каузальной сети. В качестве тестовой задачи рассмотрена задача идентификации аномалий в локомоторных движениях человека.

Ключевые слова:

знак, знаковая картина мира, когнитивная функция, обучение с подкреплением, каузальная матрица, каузальная сеть, распространение активности.

Стр. 84-96.

DOI 10.14357/20718632180409

Полная версия статьи в формате pdf. 

Литература

1. Осипов Г.С. и др. Знаковая картина мира субъекта поведения. М.: Физматлит, 2018. 264 с.
2. Осипов Г.С., Панов А.И. Отношения и операции в знаковой картине мира субъекта поведения // Искусственный интеллект и принятие решений. 2017. № 4. С. 5–22.
3. Карпов В.Э. Об одной реализации знак - ориентированной системы управления мобильного робота // Искусственный интеллект и принятие решений. 2015. № 3. С. 53–61.
4. Semiotics and Intelligent Systems Development / ed. Gudwin R., Queiroz J. IGI Global, 2007. 368 p.
5. Кулинич А.А. Ситуационный, когнитивный и семиотический подходы к моделированию организаций //Инжиниринг предприятий и управление знаниями (ИП&УЗ-2016) : сборник научных трудов XIX научно-практической конференции. 26– 27 апреля 2016 г. / под ред. Ю.Ф. Тельнова. М.: ФГБОУ ВО “РЭУ им. Г. В. Плеханова”, 2016. С. 42–48.
6. Осипов Г.С., Панов А.И., Чудова Н.В. Управление поведением как функция сознания. I. Картина мира и целеполагание // Известия Российской академии наук. Теория и системы управления. 2014. № 4. С. 49–62.
7. Осипов Г.С., Виноградов А.Н., Жилякова Л.Ю. Динамические интеллектуальные системы. I. Представление знаний и основные алгоритмы // Известия АН. Теория и системы управления. 2002. № 6. С. 119–127.
8. Осипов Г.С., Панов А.И., Чудова Н.В. Управление поведением как функция сознания. II. Синтез плана поведения // Известия Российский академии наук. Теория и системы управления. 2015. № 6. С. 47–61.
9. Киселев Г.А., Панов А.И. Знаковый подход к задаче распределения ролей в коалиции когнитивных агентов // Труды СПИИРАН. 2018. № 2. С. 161–187.
10. Панов А.И. Целеполагание и синтез плана поведения когнитивным агентом // Искусственный интеллект и принятие решений. 2018. № 2. С. 21–35.
11. Панов А.И. Алгебраические свойства операторов распознавания в моделях зрительного восприятия // Машинное обучение и анализ данных. 2014. Т. 1. № 7. С. 863–874.
12. Осипов Г.С. Построение моделей предметных областей. Ч. I. Неоднородные семантические сети // Известия АН СССР. Техническая кибернетика. 1990. № 5. С. 32–45.
13. Величковский Б.М. Гетерархия когнитивной организации: прошлое, настоящее и будущее // В книге: Седьмая международная конференция по когнитивной науке Тезисы докладов. Ответственные редакторы: Ю.И. Александров, К. В. Анохин. 2016. С. 194.
14. Kiselev G., Kovalev A., Panov A.I. Spatial reasoning and planning in sign-based world model // Artificial Intelligence / ed. Kuznetsov S., Osipov G.S., Stefanuk V. Springer International Publishing, 2018. P. 1–10.
15. Ermek A., Kiselev G., Panov A.I. Task and Spatial Planning by the Cognitive Agent with Human-like Knowledge Representation // Interactive Collaborative Robotics / ed. Ronzhin A., Rigoll G., Meshcheryakov R. Springer International Publishing, 2018. (In Press).
16. Кузнецова Ю.М. и др. Языковая система как регулятор планирования поведения когнитивных агентов // Восьмая международная конференция по когнитивной науке: Тезисы докладов. 2018. (В печати).
17. George D., Hawkins J. Towards a mathematical theory of cortical micro-circuits // PLoS Comput. Biol. 2009. Vol. 5, № 10. P. e1000532.
18. Hawkins J., Ahmad S., Cui Y. A Theory of How Columns in the Neocortex Enable Learning the Structure of the World // Front. Neural Circuits. 2017. Vol. 11. P. 1–18.
19. Скрынник А.А., Панов А.И. Автоматическое построение иерархии абстрактных автоматов для задачи обучения с подкреплением // Информатика, управление и системный анализ: Труды V Всероссийской научной конференции молодых учёных с международным участием. Ростов-на-Дону: Мини-Тайп, 2018. С. 7–16.
20. Финн В.К. Об определении эмпирических закономерностей посредством ДСМ - метода автоматического порождения гипотез // Искусственный интеллект и принятие решений. 2010. № 4. С. 41–48.
21. Suzuki N. et al. Learning motion patterns and anomaly detection by human trajectory analysis //Systems, Man and Cybernetics, 2007. ISIC. IEEE International Conference on. – IEEE, 2007. – С. 498-503.
22. Kratz L., Nishino K. Anomaly detection in extremely crowded scenes using spatio-temporal motion pattern models //Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on. – IEEE, 2009. – С. 1446-1453.
23. Li W., Mahadevan V., Vasconcelos N. Anomaly detection and localization in crowded scenes //IEEE transactions on pattern analysis and machine intelligence. – 2014. – Т. 36. – №. 1. – С. 18-32.
24. Ren L. et al. A data-driven approach to quantifying natural human motion //ACM Transactions on Graphics (TOG). – ACM, 2005. – Т. 24. – №. 3. – С. 1090-1097.
25. Bütepage J. et al. Deep representation learning for human motion prediction and classification //IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – С. 2017.
26. Du Y., Wang W., Wang L. Hierarchical recurrent neural network for skeleton based action recognition //Proceedings of the IEEE conference on computer vision and pattern recognition. – 2015. – С. 1110-1118.
27. CMU Graphics Lab. Carnegie Mellon University Motion Capture Database. 2003. url: http://http://mocap.cs.cmu.edu/.
28. Дайлиденок И.Д., Фроленкова А.И. Биологически правдоподобные нейронные сети для выявления аномалий во временных последовательностях // Информатика, управление и системный анализ: Труды V Всероссийской научной конференции молодых учёных с международным участием. Ростов-на-Дону: Мини-Тайп, 2018. С. 169–178.