Выдвигается гипотеза, согласно которой при развёртывании изображений в европейской живописи от эпохи Возрождения до абстракционизма включительно повторяются в обратном порядке этапы эволюции системы зрительного восприятия человека как вида. При этом художниками, которые используют те или иные художественные приёмы, воспроизводятся архаические способы видения, характерные для системы зрительного восприятия на разных этапах её формирования. Ставится задача выявить схему, с помощью которой одинаково удобно описывать сценарии - последовательности структурных событий, как в системе зрительного восприятия человека, так и в системе изображений. Для этого названные системы представляются как компоненты единого циклического процесса. Хорошо описанные стили и стилевые направления в живописи рассматриваются в качестве основы анализа. Предлагается: а) очистить систему изображений от сюжетных и эстетических элементов; b) заполнить выявленную схему оставшимися структурными компонентами; с) прочитать полученную последовательность структурных событий в обратном порядке и тем самым реконструировать архаические способы видения. Результат анализа представляется как иерархическая конструкция - дерево эволюции системы зрительного восприятия, ветви и ствол которого заполнены визуальными парадигмами - способами видения, большая часть которых является архаикой. Названные способы сформировались в процессе эволюции условного носителя системы зрительного восприятия, к которому относится не только человек, но и, возможно, предшествовавшие ему биологические виды. Используется структурный подход, ориентированный на отказ от специфики исследуемого объекта. Изображения и образы рассматриваются как структурные эквиваленты наблюдаемых объектов внешнего мира. Методика является тринитарной, т. е. выделяются элементы оппозиции и базовый элемент между ними. Проблема рассматривается с разных точек зрения. Используются такие представления, как цикличность - необратимость, порядок - хаос, непрерывность - дискретность и лингвистическая логика. Большое внимание уделяется ситуации, при которой в системе зрения реализуется двусмысленная “распознающая” интерпретация - появляются и конкурируют два дополнительных (взаимоисключающих) первичных смысла. Работа является междисциплинарной, для решения задачи привлекается широкий контекст.
Анализ и математическое моделирование процессов различной физической и химической природы имеет большое значение для решения различных практических задач. Для моделирования сложных процессов авторами ранее был разработан в рамках современной неравновесной термодинамики единый формализм описания и моделирования физикохимических процессов различной природы. Для реализации моделей, полученных этим формализмом, в численном виде необходимо задать (в численном виде) функции состояния для свойств веществ и процессов. Эти функции состояния могут быть заданы либо непосредственно (с использованием функциональных разложений), либо задаются частные производные этих функций по координатам состояния. Функции состояния для необратимых составляющих кинетических матриц должны быть положительно определенными, для потенциалов взаимодействия – удовлетворять условию полного дифференциала энтропии (в общем случае нелинейной), для коэффициентов распределения некомпенсированных теплот – положительно определенными и давать в сумме единицу. Если же функция состояния задается в дифференциальном виде, то должно быть дополнительно выполнено условие полного дифференциала этой функции состояния. Настоящая статья посвящена заданию функций состояния для свойств веществ и процессов в дифференциальном виде.
В книге известного американского ученого дана иерархическая классификация систем и системных задач, предложены методы решения некоторых классов задач. Все понятия вводятся в контексте универсального решателя системных задач (УРСЗ) — предлагаемой автором оригинальной архитектуры экспертной системы, решающей системные задачи. Язык УРСЗ позволяет свести описание всего многообразия системных задач к относительно небольшому числу формулировок. Методы их решения ориентированы на использование ЭВМ. Приведено много примеров, облегчающих использование описанных теоретических идей при решении задач.
Для научных работников в области теории систем, информатики, разработчиков экспертных систем и архитектуры вычислительных комплексов.
В учебном пособии излагаются основы оригинальной концепции общей параметрической теории систем, ее основные понятия, закономерности, особенности использования в разных областях деятельности, особенно, в гуманитарном познании. Показан путь
повышения уровня строгости, обоснованности, доказательности рассуждений в тех областях, которые не поддаются описанию традиционными математическими средствами. Оп-
ределены такие понятия, как порядок и хаос, целостность, простота и сложность, система и модель и др.
Это – не обычный учебник. Помимо того, что в нем имеются определения, доказательства, задачи и упражнения, он написан в диалогах героев “Трех мушкетеров” А.Дюма,
за масками которых легко угадываются абитуриент, аспирант, студенты вузов разного
профиля. В их шутках и прибаутках слышны споры “физиков” и “лириков” об актуальных
проблемах современности – от угрозы фашизма до вопроса регулирования своего здоровья.
Соответственно, книга адресована в первую очередь старшеклассникам, студентам,
аспирантам, но будет интересна и их наставникам
Robust quantification of predictive uncertainty is a critical addition needed for machine learning applied to
weather and climate problems to improve the understanding of what is driving prediction sensitivity. Ensembles of ma-
chine learning models provide predictive uncertainty estimates in a conceptually simple way but require multiple models
for training and prediction, increasing computational cost and latency. Parametric deep learning can estimate uncertainty
with one model by predicting the parameters of a probability distribution but does not account for epistemic uncertainty.
Evidential deep learning, a technique that extends parametric deep learning to higher-order distributions, can account for
both aleatoric and epistemic uncertainties with one model. This study compares the uncertainty derived from evidential
neural networks to that obtained from ensembles. Through applications of the classification of winter precipitation type
and regression of surface-layer fluxes, we show evidential deep learning models attaining predictive accuracy rivaling stan-
dard methods while robustly quantifying both sources of uncertainty. We evaluate the uncertainty in terms of how well the
predictions are calibrated and how well the uncertainty correlates with prediction error. Analyses of uncertainty in the
context of the inputs reveal sensitivities to underlying meteorological processes, facilitating interpretation of the models.
The conceptual simplicity, interpretability, and computational efficiency of evidential neural networks make them highly
extensible, offering a promising approach for reliable and practical uncertainty quantification in Earth system science
modeling. To encourage broader adoption of evidential deep learning, we have developed a new Python package, Machine
Integration and Learning for Earth Systems (MILES) group Generalized Uncertainty for Earth System Science (GUESS)
(MILES-GUESS) (https://github.com/ai2es/miles-guess), that enables users to train and evaluate both evidential
В статье рассмотрена актуальность и необходимые условия внедрения в комплексы воен-
ного назначения с разноспектральными датчиками систем технического зрения программно-аппа-
ратных средств автоматического распознавания объектов вооружения, военной и специальной
техники (ВВСТ). Приведены результаты анализа возможностей обучения нейронных сетей автоматическому распознаванию объектов. Показана необходимость создания отечественного межвидового банка данных оптических и радиолокационных сигнатур объектов ВВСТ
Представлены результаты разработки дистанционного курса по мето-
дам искусственного интеллекта в физике в системе управления обучением MOODLE.
Общая трудоёмкость дистанционного курса по методам искусственного интеллекта в
физике составляет две зачётные единицы. Описаны тематические модули курса по ме-
тодам искусственного интеллекта в физике. Представлено описание элементов в виде
лекций, семинаров, заданий, тестов в каждом тематическом модуле курса по методам
искусственного интеллекта в физике в системе управления обучением MOODLE
В монографии изложены концептуальные основы и методы
представления знаний в системах искусственного интеллекта.
Рассмотрены различные подходы, применяемые при проектировании и
разработке интеллектуальных систем и технологий в транспортном
комплексе, а также рассмотрены тенденции развития систем
искусственного интеллекта.
Монография может быть использована для формирования
профессиональной компетентности студентов высших учебных заведений,
кадров высшей квалификации и научных сотрудников обучающихся и
ведущих научные исследования в области разработки и практического
применения систем искусственного интеллекта по укрупнённой группе направлений подготовки 09.00.00 – «Информатика и вычислительная техника»
Системология - один из важнейших инструментов научного исследования.
Это наддисциплинарная наука, которая успешно применяется во всех отраслях научного знания и общественного производства.
По мере усложнения решаемых задач и используемой техники все очевиднее проявляется ограниченность концептуального аппарата кибернетики, ориентированного на развитие лишь формально-математического моделирования.
В книге изложена системологическая концепция, призванная обогатить этот аппарат методами содержательного анализа решаемых проблем на основе учета особенностей неформализуемых параметров изучаемых или конструируемых объектов. Эффективность этих методов демонстрируется в процессе анализа механизмов содержательной коммуникации с помощью естественного языка в аспекте совершенствования принципов человеческого общения.
Книга предназначена не только для кибернетиков, но и для семиологов, психологов и лингвистов.