НОВЫЕ КОНТУРЫ МЕТОДОЛОГИИ БУДУЩЕГО

Abstract

ARTIFICIAL INTELLIGENCE IN SPORTS SCIENCE OF XXI CENTURY

M.P. Shestakov, Dr.Hab., professor

Russian State academy of physical culture, Moscow

Key words: artificial intelligence (AI), artificial systems (AS), modeling, motor actions instruction

The author of the article undertaken a short review of scientific researches centered on contemporary development of artificial intelligence and probabilities of its applied using in sports practice. Present stage of AI development can be characterized by active integration of different approaches, conceptions and tendencies (for instance, connective and logical conceptions in models of neuron nets output), connected with some basic notions revision, well-known earlier as the most authoritative in structure of AI-researches. Several old models and ideas are revitalized in context of the present integration. It was suggested in the article to observe three following parts of artificial systems' general science: AS projecting and producing, AS managing and organization, theory of AS development and evolution.

Искусственный интеллект в спортивной науке XXI века

Доктор педагогических наук, профессор М.П. Шестаков
Российская государственная академия физической культуры, Москва

Ключевые слова: искусственный интеллект, моделирование, обучение двигательным действиям.

На сегодняшний день наиболее разработанной проблемой в спорте, имеющей опору в фундаментальных науках, является физическая подготовка спортсменов [40]. Это определяет развитие теоретического направления развития научных исследований в данной области, в котором в качестве основного средства выступают теоретически идеальные объекты - модели [47]. В то же время наблюдается диспропорция относительно решения проблем других составляющих спортивной тренировки - технической, тактической и психологической подготовок спортсмена, в том числе и проблемы управления движениями и обучения им. Работ, посвященных этому направлению, относительно мало, о чем говорит количество статей в журнале "Теория и практика физической культуры", а также анализ тем диссертационных работ за последние несколько лет.

Изучение физических упражнений, а отсюда и обучение им ведутся обычно на уровне механики и физиологии, даже без высшего раздела последней - нейрофизиологии [16].

Если придерживаться прежних позиций развития, то это грозит остаться на уровне исследований 60-70-х гг., что подтверждает полемика, ведущаяся на страницах журнала [9, 41], в которой отчетливо прослеживается отстаивание прежних эмпирических подходов в спортивной науке [41].

Такое положение дел хорошо представлено Р. Дауксом [15], который определяет, что управление движениями и обучение им - пример кризиса "нормальной науки". Там же отмечается давно известный факт, что Н.А. Бернштейн еще в 1935 г. (т.е. на 35 лет раньше Р. Винера [10]) сформулировал законы кибернетического управления движениями и обучения им, исследования поведения и целенаправленного движения.

Н.А. Бернштейн еще в начале 60-х гг. отмечал [18], что научные перспективы, открытые перед моделированием биологических, и в частности физиологических, закономерностей очень широки и многообещающи. Современное развитие науки, в частности науки о человеке, характеризуется бурным внедрением технологических новшеств, связанных с революцией в области компьютерной индустрии. Новые информационные технологии предоставляют инструментарий, воспользовавшись которым, можно, по словам Н.А. Бернштейна, стать свидетелями интенсивного роста и развития исследовательских работ по линии моделирования биологических функций [26].

Несомненно, что современное состояние дел позволяет оптимистично смотреть в наступающий век. В настоящей статье дается краткий обзор работ, связанных с современным развитием искусственного интеллекта и возможностями его прикладного использования в спорте.

В искусственном интеллекте (ИИ) фундаментальным является использование компьютеров для познания механизмов мышления человека. Решая эту главную задачу, мы получим возможность справиться с гораздо более важными и сложными прикладными задачами, которые неразрешимы существующими методами.

Истоки этого направления восходят к работам 40--50-х гг., стимулируемым, с одной стороны, желанием раскрыть фундаментальные принципы переработки информации в живых системах, а с другой - потребностями нарождающейся вычислительной техники.

В конце 60-х и особенно в 70-е гг. интерес к подобным проблемам снизился. В области нейрофизиологии с возникновением тонких аналитических методик интерес переместился с решения общих проблем поведения, где результат неизбежно носит в большей степени описательный характер, на решение частных задач, приближающихся по четкости постановки и интерпретации результатов к физическим задачам. Последние фундаментальные работы, объединяющие аналитические и синтетический подходы для создания общей теории поведения, приходятся как раз на конец 60-х гг. (Анохин, 1968; Беритов, 1969; Конорски, 1970).

С начала 80-х гг. ситуация резко изменилась, что, по-видимому, можно объяснить следующими причинами.

1. До конца 60-х гг. с помощью универсальных ЭВМ удавалось программным путем реализовать любую достаточно полно описываемую "интеллек туальную" функцию. Но чем дальше, тем больше при имитации работы мозга на ЭВМ возникали трудности, связанные с принципиальными различиями между конструкциями мозга и ЭВМ.

2. Успехи, достигнутые аналитическим подходом, особенно заметные в исследованиях на клеточном уровне, довольно скромны в изучении общих принципов работы мозга. Это неизбежно приводило к попыткам теоретического объединения аналитического и синтетического подходов на новом уровне понимания фундаментальных нейрофизиологических механизмов.

Современный этап развития ИИ характеризу ется бурной интеграцией различных подходов, концепций и направлений (например, коннекционистского и логического направлений в моделях вывода на нейронных сетях), что связано с пересмотром места ряда базовых понятий (например, формальной системы и дедуктивного вывода), недавно считавшихся незыблемыми в структуре исследований по ИИ, и возвратом в контексте происходящей интеграции к ряду старых идей и моделей [42].

Помимо формальных нейронов У. МакКаллока и У. Питтса [23], искусственных нейронных сетей и нейродинамики Ф. Розенблатта [38] к числу таких идей и методов относятся, например, эволюционное моделирование [27, 45], начало которому было фактически положено теорией самовоспро изводящихся автоматов Дж. фон Неймана [46], а также два крупных направления, зародившихся и активно развивавшихся еще в 60-х гг. в Советском Союзе, - теория коллективного поведения автоматов [8, 48], которая актуализируется в связи со стремительным развитием работ по распределенному искусственному интеллекту и многоагентным системам [60, 73], и семиотическое моделирование [31, 32, 56], связанное с организацией ситуационного управления в сложных системах [34] и развитием интегрированных интеллектуальных систем [33]. Подобные идеи, модели и подходы, объединяясь с такими ныне популярными неклассическими математическими подходами, как нечеткие множества и меры возможности [17, 24, 76], теория сложности и фрактальная математика [25, 72], теория нелинейных динамических систем, теория хаоса и теория катастроф [2, 13, 19, 25, 54], приводят к формированию новых интегральных направлений как в самом ИИ, так и в пограничных областях. Примерами здесь служат "Мягкие вычисления" (Soft Computing) [75], "Машинный, или вычислительный, интеллект" (Computational Intelligence) [77] и, наконец, "Искусственная жизнь" (Artificial Life) [57, 66].

В своей книге "Науки об искусственном" [39], опубликованной более четверти века назад (русский перевод вышел в свет в 1972 г.), Г. Саймон, по-видимому впервые, проводит различие между естественными науками, занимающимися изучением (анализом) и описанием природных (естественных) явлений и объектов, и науками об искусственном, рассматривающими проблемы создания (синтеза) новых искусственных объектов, обладающих желаемыми свойствами (в данном случае эти свойства связаны с имитацией поведения или выполнения функций соответствующего естественного объекта).

Предлагается рассматривать следующие разделы общей науки об открытых, неоднородных, развивающихся искусственных системах [42].

1. Общая теория проектирования и производства искусственных систем (восходящее и нисходящее проектирование, моделирование и проектирование процессов деятельности искусственных систем, виртуальная реальность в разработке искусственных систем и прочее).

2. Общая теория организации искусственных систем и управления ими (системогенез, организация, самоорганизация, регуляция, саморегуляция , оптимизация, адаптация, обучение, самообучение, логическое управление, ситуационное управление и прочее).

3. Общая теория развития (эволюции) искусственных систем (самовоспроизведение, морфогенез, разнообразие, эволюция, выживание, отбор, наследственность, скрещивание, мутации и прочее).

Все эти темы объединяет то, что они предлагают различные варианты построения высокоинтегрированных систем.

Рассмотрим вкратце примеры по каждому из разделов.

1. Общая теория проектирования и производства искусственных систем.

Виртуальная реальность (ВP). Уровень развития вычислительных средств сегодня находится на столь высоком уровне, что это позволило начать разработку средств для построения систем, работающих не только на символьно-логическом уровне, но и на сенсорно-перцептивном и образном уровнях. И ведущую роль в этом играют ВР-системы [21].

Термин "виртуальная реальность" ввел в обращение Джарон Леньер в 1984 г., создавший фирму VPL Research corporation в г. Фостер штата Калифорния. Это была первая компания по созданию ВР-систем и их основных атрибутов [12].

Технические средства, характерные для систем ВР, преобразуют пользователя в виртуального субъекта, способного совершать в виртуальном мире действия, которые нельзя выполнить в реальном мире. Однако их наличие есть необходимое, но еще не достаточное условие для успешного построения и функционирования полноценных систем ВР. Здесь возникают задачи ситуационного анализа и управления виртуальной реальностью, которые требуют построения решателя системы моделирования виртуальной реальности. Главным компонентом такого решателя выступает специальный блок, содержащий псевдофизические логики пространства, времени, действий [31, 59], а также модели качественной (наивной) физики [10, 59] виртуального мира, служащие для определения качественных и количественных характеристик виртуального пространства. При этом механизм логики действий позволяет организовать действия, совершаемые над объектами виртуального мира, а формальная модель (фрейм) поступка [34] дает возможность ввести единицы нормативного поведения виртуального субъекта [42] и оперировать ими.

В качестве практической реализации можно привести рабочую станцию для реализации виртуальных сред VIEW (Virtual Interface Environment Workstation), разработанную группой сотрудников из исследовательского центра ПАСА в Эймсе (штат Калифорния). Система VIEW включает специальный шлем с очками, перчатки данных, модуль распознавания речи, модуль пространственного видео- и аудиосинтеза, средства компьютерной графики и преобразования видеоинформации в компьютерные изображения. Для воспроизведения сопротивления среды и предметов используются тактильные эффекторы (сенсоры) в виде устройств силовой обратной связи.

Для более полного погружения разрабатываются также специальные костюмы "дейта-сьют" (Data Suit), реализуемые в новом направлении по созданию интеллектуальной одежды (ИО) [6]. Рынок ИО ориентируется на устройства, которые удобно размещаются на одежде, не мешают при движении, понимают приказы, отдаваемые голосом, выводят на дисплей перед глазами различную информацию (например, важнейшие показатели состояния организма, получаемые от датчиков на теле, - это делают так называемые мониторы персонального состояния). Аккумуляторы системы подзаряжаются в процессе ходьбы. О различных проектах по ИО можно прочитать в Интернете на сайтах: http://wearables.www.media.edu/projects/wearables/lizzy/Index.html и http://wearcam.org/wearhow/Index.html.

Представляется, что ВР-системы в ближайшее время могут найти прикладное использование в спортивной науке в рамках развития идей искусственно созданной среды, в которой человек выполняет двигательные действия [29, 35].

2. Общая теория управления сложными искусственными системами может строиться на базе принципов ситуационного управления [33, 34], нейрологических [70] и нейрогенетических [68] методов, мягких вычислений и пр.

Мягкие вычисления. Термин "мягкие вычисления" (soft computing) был введен в научный оборот на международной конференции EUFIT'93. Его предложил Л. Заде [76], указавший, что управление сложными, многомерными системами требует интеграции регуляторов на основе нечеткой логики, нейронных сетей и ряда подобных рассуждений. Речь идет об интегрированной интеллектуальной системе, которая имеет структуру знаний, организованную по признакам нечеткости, обучаемости и эффективности. Реализации мягких вычислений, как правило, подчиняются требованиям линейности и монотонности.

В рамках мягких вычислений нечеткая логика обеспечивает обработку неточной, нечеткой и лингвистической информации, типичной для сложных систем управления, нейронные сети позволяют системе обучаться, а правдоподобные (вероятностные) рассуждения обеспечивают работу в условиях статистической неопределеннос ти. В последнее время наиболее популярной схемой мягких вычислений стала тройка <нечеткий регулятор, нейронная сеть, генетический алгоритм>, в которой генетический алгоритм может применяться для оптимизации базы правил и параметров нечеткого логического регулятора [42].

Нечеткие системы (регуляторы). Наука и техника полностью отвергают субъективизм, но новые открытия и изобретения, возникновение новых идей рождаются в результате деятельности правого полушария человека, основанной на субъективных мыслях, а объективизация и логическое обоснование - всего лишь вторичные средства для передачи идей другому человеку. Вопрос о том, как обрабатывать нечеткости, перекликается с вопросом о том, каким образом ввести в науку и технику субъективизм человека. И здесь не обойтись без нечетких множеств. Это математический метод, созданный для того, чтобы представлять смысловые нечеткости слов человека, это уникальный метод с точки зрения представления возможностей математически обрабатывать субъективные данные [3]. Метод позволяет описывать правила функционирования системы на качественном уровне - на естественном языке, используя критерии "близко - далеко", "хорошо - плохо", "много - мало", "быстро - медленно" и т.д. Математическая теория нечетких множеств предложена Л. Заде [76]. Существует четыре способа составления правил нечеткого управления, т.е. проектирования нечетких регуляторов: 1) на основе опыта и знаний эксперта; 2) путем создания модели действий оператора; 3) путем обучения и 4) на основе нечеткой модели оборудования [3].

Генетические алгоритмы (ГА) - это алгоритмы оптимизации и машинного обучения, основанные на биологической аналогии и имитирующие некоторые механизмы процесса эволюции. Они используют принцип генерации, тестирования и отбора наиболее вероятных популяций и работают на битовых наборах, называемых хромосомами (хромосомы также могут быть действительными числами или перестановками элементов). Для решения задач с помощью генетических алгоритмов вначале требуется сформулировать задачу в терминах хромосом и оценочной функции. Последняя служит для оценки качества или совместимости хромосом.

Принципы построения ГА состоят в копировании наборов и обменных частей наборов хромосом. Обычно это осуществляется с помощью трех операций: репродукции (воспроизведения), кроссинговера (скрещивания) и мутации [67].

В задачах синтеза интеллектуальных промышленных регуляторов генетические алгоритмы позволяют находить на множестве возможных решений субоптимальные (пригодные) решения, которые передаются в качестве входной информации в нейронную сеть, где уже отбирается наиболее подходящее решение (например, параметры функций принадлежности нечетких правил).

Гибридизация ГА с нейронными сетями (НС) предполагает акцент на взвешивании. НС с фиксированной структурой ГА служит для поиска множеств весов (хромосомы - это списки весов), а оценка состоит в настройке сети по обучающему множеству примеров.

Генетические алгоритмы также используются для получения функций принадлежности нечетких параметров и для выбора "Если, ..., то" - правил в экспертных системах или нечетких регуляторах.

Нейронные сети (НС). В последнее время активно ведутся работы по построению моделей обработки информации в нервной системе.

Нейронная сеть - структура для обработки когнитивной информации, основанная на моделировании функций мозга. В более формальном инженерном смысле - сильно распараллеленная динамическая система с топологией направленного графа, которая может выполнять переработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал [65].

Большинство моделей основывается на схеме формального нейрона У. МакКаллока и У. Питтса [23], согласно которой нейрон представляет собой пороговый элемент, на входах которого имеются возбуждающие и тормозящие синапсы, в нейроне определяется взвешенная сумма (с учетом весов синапсов) входных сигналов, при превышении этой суммы порога нейрона вырабатывается выходной сигнал.

В большинстве моделей запоминание информации в НС происходит в результате формирования весов синапсов нейронов. Во многих случаях это интерпретируется как формализация гипотезы Хебба [64], в соответствии с которой изменение состояния произвольного синапса определяется его текущим состоянием и активностью пре- и постсинаптических нейронов.

Хотя ряд исследований посвящен анализу характеристик НС с целью понимания свойств естественных нейронных систем, подавляющее изобилие работ относится к исследованию алгоритмов нейросетей с прагматическими целями.

Предполагается, что практические задачи будут решаться нейрокомпьютерами (НК) - искусственными нейроподобными сетями, созданными на основе микроэлектронных вычислительных систем.

Первые попытки использования теории нейронных сетей применительно к моделированию процесса обучения двигательным действиям в спорте, разработки теории технической подготовки уже сделаны [50-52, 74], и, безусловно, это направление планируется развивать в дальнейшем.

3. Общая теория развития (эволюции) искусственных систем

Искусственная жизнь (ИЖ) - это наиболее обширная из междисциплинарных научно-технических областей в сфере наук об искусственном, которую по широте охвата и количеству вовлеченных идей можно, пожалуй, сравнить только с системным движением [42].

Если методологической основой искусственного интеллекта служат исследования психики и интеллекта человека, то естественным фундаментом работ по ИЖ - биологические дисциплины, позволяющие определить основной круг понятий, рассматриваемых в ИЖ: самовоспроизведение, эволюция, естественный и искусственный отбор, генетическая связь, морфогенез, онтогенез и филогенез, генотип и фенотип, хромосома, организм, популяция и прочее.

Исследования в области, метафорически именуемой "искусственная жизнь", начались еще в конце 50-х - начале 60-х гг. и связаны с именами Н. Винера [10], У. Эшби [55], К. Шеннона [49] и особенно Дж. фон Неймана, создавшего теорию самовоспроизводящихся автоматов [46]. В Советском Союзе у их истоков стояли Н.М. Амосов [1], В.М. Глушков [14], А.Н. Колмогоров [20], А.А. Ляпунов [22], Д.А. Поспелов [11, 30], М.Л. Цетлин [48]. Придерживаясь функционального подхода, они считали, что сущность жизни определяется не столько свойствами материального субстрата жизни (белковых соединений или структур ДНК), сколько организацией элементов и процессов в целостную систему. Если искусственно созданная организация в существенных чертах эквивалент на организации живого, а функции на выходе этой системы и обычной биологической структуры одинаковы, то такую систему (модель) можно назвать живой.

Идеи использовать принципы биологической эволюции для оптимизации практически важных для человека систем возникали у ряда авторов [7, 45, 67].

Работы по моделированию эволюции НС включают в себя как разработку концепций селективного отбора эффективных НС при обучении животных [58, 61], так и анализ возможностей эволюционной оптимизации НС с помощью генетического алгоритма или его аналогов [43].

В эволюционном моделировании можно выделить три направления исследований[36]: 1) построение моделей возникновения молекулярно -генетических информационных систем, 2) моделирование общих закономерностей эволюции, 3) прикладное эволюционное моделирование. Более подробное изложение содержится в [37].

Основной областью приложений идей ИЖ является техносфера. Уже сейчас активно применяются методы эволюционного синтеза технических объектов (в технике хорошо известны обобщенные деревья функций, матрицы морфогене за конструкций и т.п.) [42].

Перспективы использования этого направления в спорте достаточно туманны. Однако в качестве рабочего предложения можно рассмотреть моделирование развития и жизнедеятельности отдельных видов спорта либо их отдельных составляющих в плане их рассмотрения как экосистемы. Например, эмпирические данные имеются в работах по проблеме эволюции плавания [29], развития тактики в игровых видах спорта [53], работ по эволюционной биомеханике [4,5].

Анализ работ по ИИ позволяет предположить возникновение их нового прикладного направления, условно названного "биокиберагоги ка", т.е. научного направления, связанного с изучением теории обучения человека двигательным действиям. Объектом биокиберагогики является модель нервной системы человека, управляющая действием исполнительной системы с достижени ем наперед заданной цели. Предмет биокибера гогики - выявление закономерностей и законов создания или изменения системы образов (представлений) в головном мозге. Новизна предлагае мого подхода заключается в поиске связи и зависимостей, определяющих особенности мышления человека, и способности обучаться целенаправ ленным двигательным действиям на основе моделирования управления нервными процессами.

Наметим вопросы, задающие пути развития нового научного направления - биокиберагогики:

1. Как формируются моторные программы в процессе обучения? Какова степень параллелизма обработки информационных данных в процессе функционирования программ? Что составляет базу знаний моторных программ?

2. Какова могла бы быть структура памяти в базе знаний? Каковы приоритеты и особенности использования того или иного вида памяти (генетической, долговременной, кратковременной)? В каком виде данные (образы) могут записываться в память?

3. Какова функциональная нагрузка памяти в базе знаний, как в нее включаются категории, понятия и отдельные образы? Каковы семиотика и семантика образования базы знаний?

4. Какова степень надежности и устойчивости функционирования моторных программ в различных условиях? Каковы степень и особенность воздействия различных систем жизнедеятельности на функционирование моторных программ?

Литература

1. Амосов Н.М., Касаткин А.М., Касаткина Л.М., Таласа С.А. Автоматы и разумное поведение. - Киев: Наукова думка, 1973. - 373 с.

2. Арнольд В.И. Теория катастроф. - М.: МГУ, 1983. - 80 с.

3. Асаи К., Ватада Д., Иваи С. Прикладные нечеткие системы: /Пер. с япон.- М.: Мир, 1993. - 386 с.

4. Бальсевич В.К. Перспективы развития общей теории и технологий спортивной подготовки и физического воспитания //Теория и практика физической культуры. 1999, №4, с. 21-40.

5. Бальсевич В.К. Эволюционная биомеханика: теория и практические приложения // Теория и практика физической культуры. 1996, № 11, с. 15-19.

6. Бобровский С. Жизнь замечательных технологий // PCWeek. 2000, № 5, с. 1-8.

7. Букатова И.Л. Эволюционное моделирование и его приложения. - М.: Наука, 1979. - 231 с.

8. Варшавский В.И. Коллективное поведение автоматов.- М.: Наука, 1973. - 407 с.

9. Верхошанский Ю.В. На пути к научной теории и методологии спортивной тренировки // Теория и практика физической культуры. 1998, № 2.

10. Винер Н. Кибернетика, или управление и связь в животном и машине / Пер. с англ. 2-е изд.- М.: Наука, 1983.- 344 с.

11. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. - М.: Наука, 1987. - 288 с.

12. Гамильтон Дж., Смит Э., МакУильямс Г. и др. //Бизнес Уик (Business Week). 1993, № 1, с. 28-36.

13. Гилмор Р. Прикладная теория катастроф: В 2 кн. /Пер. с англ. -М.: Мир, 1984.

14. Глушков В.М. О кибернетике как науке//Кибернетика, мышление, жизнь. - М.: Мысль, 1964.

15. Даугс Р. Наука о моторике перед лицом кризиса?// Теория и практика физической культуры. 1995, № 5, с. 57- 63.

16. Донской Д.Д., Дмитриев В.Д. Психосемантические механизмы управления двигательными действиями человека// Теория и практика физической культуры. 1999, № 9, с. 2- 6.

17. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике / Пер. с франц.- М.: Радио и связь, 1990. - 288 с.

18. Исторические истоки кибернетики и перспективы применения ее в медицине: (Предисловие) // Моисеев В.Д. Вопросы кибернетики в биологии и медицине /Под ред. и с предисл. Н.А. Бернштейна. -- М.: Медгиз, 1960, c. 3-24.

19. Князева Е.И., Курдюмов С.П. Законы эволюции и самоорганизации сложных систем. - М.: Наука, 1994. - 236 с.

20. Колмогоров А.Н. Автоматы и жизнь //Возможное и невозмоное в кибернетике.- М.: Изд-во АН СССР, 1964.

21. Литвинцева Л.В., Налитов С.Д. Виртуальная реальность: анализ состояния и подходы к решению// Новости искусственного интеллекта. 1995, № 3, с. 24 -89.

22. Ляпунов А.А. Проблемы теоретической и прикладной кибернетики. - М.: Наука, 1980. - 336 с.

23. МакКаллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной активности //Автоматы /Под ред. К.Э. Шеннона и Дж. Маккарти. - М.: ИЛ, 1956, с. 362-384.

24. Нечеткие множества в моделях управления и искусственного интеллекта /Под ред. Д.А. Поспелова. - М.: Наука, 1986. - 312 с.

25. Николис Г., Пригожий И. Познание сложного / Пер. с англ. - М.: Мир, 1990.- 344 с.

26. О перспективах математики в биокибернетике (Предисловие)// В.И. Черныш, А.В. Напалков. Математический аппарат биологической кибернетики. - М.: Медицина, с. 3-30.

27. Паек Г. Модель эволюции //Принципы самоорганизации. - М.: Мир,1966.

28. Попов Г.И. Биомеханические основы создания предметной среды для формирования и совершенствования спортивных достижений: Автореф. докт. дис. М., 1992. - 48 с.

29. Попов О.И. Эргометрические и биоэнергетические критерии специальной работоспособности пловцов: Автореф. докт. дис. М., 1999. - 46 с.

30. Поспелов Д.А. Вероятностные автоматы. - М.: Энергия, 1970.

31. Поспелов Д.А. Логико-лингвистические модели в системах управления. - М.: Энергоатомиздат, 1981. - 231 с.

32. Поспелов Д.А. Семиотические модели в управлении // Кибернетика. Дела практические. М.: Наука, 1984, с. 70-87.

33. Поспелов Д.А. Ситуационное управление - основа прикладных интеллектуальных систем //Вестник МГТУ. Сер. "Приборостроение". 1995, № 2, с. 3-10.

34. Поспелов Д.А.Ситуационное управление //Теория и практика.- М.: Наука, 1986. - 284 с.

35. Ратов И.П. Методология концепции "искусственная управляющая среда" и перспективы ее практической реализации в процессе подготовки спортсменов: Методологические проблемы совершенствования системы подготовки квалифицированных спортсменов: Сб. тр. - М.: ВНИИФК, 1984, с.127-145.

36. Редько В.Г. Проблема происхождения интеллекта и эволюционная биокибернетика //Журн. высш. нервн. деятельн. 1998, т. 4, вып.26, c. 358-369.

37. Редько В.Г. Эволюционный подход к исследованию естественных и созданию искусственных "биокомпьютеров" // Нейрокомпьютер. 1994, № 1/2, с. 38-49.

38. Розенблатт Ф. Принципы нейродинамики: Пер. с англ. - М.: Мир, 1965. - 480 с.

39. Саймон Г. Науки об искусственном / Пер. с англ. - М.: Мир, 1972. - 147 с.

40. Селуянов В.Н. Развитие теории физической подготовки спортсменов в 1960-1990 гг. // Теория и практика физической культуры. 1995, №1, c. 49-54.

41. Селуянов В.Н. Эмпирический и теоретический пути развития теории спортивной подготовки //Теория и практика физической культуры. 1998, №3, с. 46-50.

42. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном//Новости искусственного интеллекта. 1995, № 4, с. 93-118.

43. Терехин А.Т., Будилова Е.В. Сетевые механизмы физиологической регуляции //Успехи физиол. наук. 1995, т. 26, № 4, с. 75.

44. Фогель Л., Оуэне А., Уолш М. Искусственный интеллект и эволюционное моделирование /Пер. с .англ. - М.: Мир, 1969.- 230 с.

45. Фогель Л., Оуэнс А., Уолш М. Искусственный интеллект и эволюционное моделирование. - М.: Мир, 1969. - 230 с.

46. Фон Нейман Дж. Теория самовоспроизводящихся автоматов: Пер.с англ. - М.: Мир, 1971. - 382 с.

47. Фролов И.Т. Введение в философию: Учебник для вузов. - М.: Политиздат, 1989.

48. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. - М.: Наука, 1969. - 316 с.

49. Шеннон К. Работы по теории информации и кибернетике.- М.: ИЛ,1963.

50. Шестаков М.П. Управление технической подготовкой спортсменов с использованием моделирования//Теория и практика физической культуры.- 1998, №3, с. 51-54.

51. Шестаков М.П. Использование теории нейронных сетей в спорте.- М.: ФОН, 1997.- 128 с.

52. Шестаков М.П. Теоретико-методическое обоснование процессов управления технической подготовкой спортсменов на основе компьютерного моделирования: Автореф. докт. дис. М., 1998. - 50 с.

53. Шестаков М.П., Шестаков И.Г. Тактическая подготовка гандболистов.- М.: РГАФК, 1996.- 136 с.

54. Шустер Г. Детерминированный хаос: Пер. с англ. - М.: Мир, 1988.

55. Эшби У.Р. Введение в кибернетику. - М.: Иностранная литература, 1958.

56. Architectures for Semiotic Modelling and Situation Analysis in Large Complex Systems /Ed.by J. Albus, A. Meystel, D. Pospelov and T.Reader.- Bala Cynwyd, AdRem Inc., 1995. - 439 p.

57. Artificial Life/ Ed.by C.G.Langton.- Redwood-City: Addison Wesley, 1989.- 655 p.

58. Conrad M. Evolutionary learning circuits //J. Theor. Biol. 1974. V. 46. N 1. P. 167.

59. De Kleer J. Qualitative physics// Encyclopedia of Artificial Intelligence/ Ed.by S.Shapiro. Vol. 2. - 1987. - P. 807-813.

60. Distributed AI / Ed.by M.N.Huhns.- Los Altos: Morgan Kaufmann Publishers, 1987. - 360 p.

61. Edelman G.M. Neural Darwinism. The theory of neural group selection. N.Y. : Basic Books, 1987. -- 371 p.

62. Ellis S. What are virtual environments//IEEE Computer Graphics and Applications. - January 1994. - P.17-22.

63. Forbus K. Qualitative process theory// Artificial Intelligence. Special Issue on Qualitative Reasoning". - 1984. - Vol. 24, N 1-3. - P. 85-168.

64. Hebb D.O. The organization of behavior. A neuropsychlogical theory. N.Y.: Wiley & Sons, 1949. 355 p.

65. Hecht-Nielsen R./ Theory of the back propagation neural network//IEEE Intern. Conf. on neural networks. San Diego, 1988. - Vol. 1. - P.593-605.

66. Heudin J.-C. La vie artificielle. - Paris: Hermes, 1994.- 272 p.

67. Holland J. Adaptation in natural and artificial systems. Massachusets: The MIT Press, 1993. -211 p.

68. Jacobson L. Virtual: a status //AI Expert. - 1991. - Vol.6. - N 8. - P. 26-33.

69. Janson D.J., Frenzel J.F. Training Keller J.M., Yager R.R., Taliani H. product unit neural networks /ith genetic algorithms// IEEE Expert.- October 1993. - P. 26-33.

70. Neural network implementation of fuzzy logic// Fuzzy Sets and Systems. - 1992. - Vol. 45. - P.1-12.

71. Kirpatrick S., Gelatt C.D., Vecchi M.P. Optimization by simulated annealing // Science. 1983. V.220. N.4598. P. 671-680.

72. Mandelbrot В. The fractal geometry of nature.- N.Y.: W.H. Freeman and Company, 1977.

73. Readings in distributed AI/ Ed.by A.Bond, L.Gasser.- Los Altos: Morgan Kaufmann Publishers, 1988.

74. Selujanov V., Shestakov M. Biomechanism and neuron network as the base of the theory of technical training in sport//Internat. Symposium "Brain and movement".- St.-Petersburg - Moscow, 1997.- P.168.

75. Zadeh L.A. Fuzzy logic, neural network and soft computing//Communications of the ACM. - 1994.

76. Zadeh L.A. ol.37, N 3. - P. 77-84. Fuzzy sets// Information and Control. - 1965. - Vol.8. - P. 338-353.

77. Zimmermann H.-J. Recent developments in fuzzy logic and intelligent technologies// Proc. of the 1st International Workshop "Fuzzy Logic and Intelligent Technologies in Nuclear Sciences" FLINS'94/ Ed.by Ruan Da et al.- P. 3 - 7.

  На главную    В библиотеку    Обсудить в форуме 

При любом использовании данного материала ссылка на журнал обязательна!
 

Реклама: