Связанная экспертная система

Полезная модель - связанная экспертная система - относится к области вычислительной техники и автоматики и предназначена для исследования характеристик систем распознавания образов; может быть использована в аппаратуре для повышения информативности экспертных систем. Цель разработки полезной модели - создание связной экспертной системы с базой знаний, выполненной в виде нейронной и клеточной сетей, способных выделять движущиеся и изменяющиеся объекты на фоне шумов. Связанная экспертная система (ЭС). включающая процессор с динамическим запоминающим устройством, соединенный с машиной логического вывода (МЛВ), в составе интерпретатора и селектора, блока обучения, блок проверки двойственности, базу данных, базу знаний, выполненную в виде искусственной нейронной сети на основе персептрона, соединенной с селектором МЛВ, с которым соединен вход блока проверки двойственности, а выход селектора соединен с интерпретатором МЛВ. в ЭС введена клеточная сеть - клеточный автомат с вычислителем, переходные блоки, входы клеточного автомата через переходной блок соединен с входным слоем персептрона, а выход также через переходный блок соединен с выходным слоем персептрона.

Полезная модель относится к области вычислительной техники и автоматики, предназначена для исследования характеристик систем распознавания образов; может быть использована в аппаратуре для повышения информативности экспертных систем (ЭС).

Известен метод моделирования динамических физико-химических процессов в пленочных материалах с помощью использования математических алгоритмов нейронных сетей и клеточных автоматов (US 6643628, 4.11.03, НКИ 706/25).Используются системы машин клеточных автоматов в вычислительных методах нейронных сетей для моделирования физических процессов взаимодействия энергий атомных частиц. Применение для этих целей законов квантовой механики, решения систем дифференциальных уравнений и уравнения Шредингера возможно только на суперкомпьютерах и не дает ясной картины процессов. Изменение состояния молекулярной системы (математических алгоритмов) в соответствии с законами машин клеточных автоматов дает возможность путем тренировки нейронной сети методом Монте-Карло воспроизводить на персональных компьютерах физические процессы взаимодействия частиц в реальном времени.

Однако, моделирование данных физических процессов имеет узко направленный характер и с трудом применимо в теории и технике бортовых экспертных систем.

Известен «Способ обнаружения пожарной опасности и пожара в помещении судна» (пат. РФ 2179470, 22.02.00. G 08 B 17/00, А 62 С 3/10), который позволяет определить в результате прогноза координаты зоны, где горючее вещество и источник зажигания при определенных условиях (в зависимости от своего состояния и параметров) могут вступить в контакт, то есть нахождение критерия, по которому можно судить о возникновении пожарной опасности в судовом помещения. Моделирование процессов перемещения горючих сред в

пространстве судна реализуется на базе методов, разработанных в рамках теории клеточных автоматов Нейманом («Машины клеточных автоматов», М: Мир, 1991). Клеточные автоматы являются дискретными динамическими системами, поведение которых полностью определяется в терминах локальных зависимостей. В этом смысле клеточные автоматы в информатике являются аналогом физического понятия «поле». Пространство представляется равномерной сеткой, каждая ячейка которой или клетка, или единичный объем содержит несколько битов данных, время идет вперед дискретными шагами, а законы раз/вития выражаются единым набором правил, по которому любая клетка на каждом шаге вычисляет свое новое состояние по состояниям ее близких соседей. Таким образом, законы системы являются локальными и повсюду одинаковыми. Численные значения параметров пожароопасных факторов, характеризующие ситуацию в помещении, развитие которой приведет к возникновению пожара, если процесс развития и итог развития, то есть, координаты очага пожара запоминают и используют дня обнаружения пожарной опасности и прогноза ее развития при эксплуатации корабля. При этом распознавание пожарной опасности осуществляют путем обработки информации, получаемой от источников первичной информации и параметров пожароопасных факторов, и сравнении ее с запомненными результатами моделирования. Их совпадение означает возникновение пожарной опасности.

Однако в авиационной бортовой технике экспертные системы помогают принимать ответственные решения в опасных (катастрофических) ситуациях: пожары, отказы систем управления, навигации, полете в сложных метеоусловиях и др.

Известна связанная ЭС, полезная модель №29597, G 06 F 1/00. 30.12.2002. взятая за прототип, включающая БЗ. БД, процессор с динамическим запоминающим устройством, соединенный с машиной логического вывода (МЛВ), интерпретатор и селектор, блок обучения, блок проверки двойственности в составе МЛВ. БЗ выполнена в виде искусственной нейронной сети на основе персептрона и соединена с селектором МЛВ, вход блока

проверки двойственности соединен с селектором МЛВ, выход его связан с интерпретатором МЛВ.

Однако, в данной ЭС не реализуются выводы на основе неполной информации при эволюции и движении объектов на фоне шумов и возмущений.

Цель разработки полезной модели является создание связанной ЭС, база знаний которой позволяет реализовать выводы на основе неполной информации при эволюции объекта в условиях возмущений.

Для решения указанной задачи в связанную ЭС, включающую процессор с динамическим запоминающим устройством, соединенный с машиной логического вывода (МЛВ) в составе интерпретатора, селектора, блока обучения, блока проверки двойственности, базу данных (БД), базу знаний (БЗ), выполненную в виде искусственной нейронной сети (НС) на основе персептрона. соединенного с селектором МЛВ, с которым соединен вход блока проверки двойственности, а выход селектора соединен с интерпретатором МЛВ, в нее введены клеточная сеть с вычислителем клеточного автомата, переходные блоки, входы вычислителя клеточного автомата через переходной блок соединены с входным слоем персептрона, а выход его также через переходной блок соединен с выходным слоем персептрона.

Для пояснения сущности полезной модели на фиг.1 изображена структурная схема системы, а на фиг.2 приведены примеры ячеек клеточных автоматов.

1 - клеточная сеть (КС)

2 - переходной блок входных данных вычислителя клеточного автомата

3 - вычислитель клеточного автомата клеточной матрицы

4 - переходной блок выходных данных клеточного автомата (КА)

5 - структурная часть (ядро) ЭС

6 - процессор

7 - машина логического вывода (МЛВ)

8 - искусственная нейронная сеть (НС) - база знаний (БЗ)

9 - блок обучения

10 - интерпретатор

11 - селектор

12 - блок проверки двойственности

13, 14, 15 - выходные и промежуточные ячейки НС

16 - входные ячейки НС

На фиг.2 А и Б - примеры ячеек клеточных автоматов - способы выбора соседей из квадратной решетки.

Система работает следующим образом.

ЭС (5) обладает свойством вывода следствий без наличия всей необходимой для этого информации в явном виде. ЭС обладает возможностью использовать, приобретать и хранить общие и частные схемы рассуждений, построенные на не подлостью доступных данных и символьных преобразованиях. Таким требованиям удовлетворяет программно-аппаратная система ЭС (5). способная решать классы неформализованных задач.

Основными компонентами ЭС являются: процессор (6), осуществляющий связь подсистем на внутреннем языке (метаязыке). МЛВ (7), обеспечивающая построение схем рассуждения, БЗ (8) для хранения и обработки знаний, представленных логическими, продукционными семантическими моделями. Особенностью представления знаний в ЭС является их условное деление на декларативные (факты, данные), процедурные, управляющие и метазнания (с целью структурирования знаний). Декларативные знания рассматриваются как факты, представляемые клеточной (1) и нейронной (8) сетями, процедурные -как правила, представляемые обучающими примерами и ситуациями. управляющие знания - набор стратегий, определяющих функционирование МЛВ (7). С помощью метазнаний раскрывается состояние ЭС, ее структура и схема рассуждения. Основное свойство ЭС - менял» свою структуру и содержание в процессе функционирования.

Машина логического вывода (7) предназначена для генерации рекомендаций по решению задач на основе информации, сосредоточенной в БЗ

(8 и 1). и строится на основе теории машины Поста. Система продуцирует правила с использованием импликации; R_i: I_iR_i где R_i - правило продукции, извлекаемое из БЗ (8), I_i , - условие применения правила R_i, R_i - порожденное правило, которое может быть помещено либо не помещено в БЗ (8 и 1). В процессе решения задачи в системе производятся интерпретация (блок 10) (означивание) того или иного правила и выполнение действий, определяемых этим правилом. Выбор (идентификация) того или иного правила основан на сопоставлении условий I_i и в общем случае приводит к нескольким правилам одновременно, т.е. порождает конфликтный набор. Разрешение конфликтного набора осуществляется процедурой-селектором (11). Для оперативного хранения промежуточных данных по условиям I_i предназначена рабочая память. Логический вывод осуществляется с использованием эвристик, реализованных в среде. В МЛВ (7) распознается то правило, в заключении которого содержится наиболее близкое к проблеме решение. Если посылка правила не определена, производится перебор неизвестных переменных в посылке правил применительно к новым условиям. Операция повторяется циклически до нахождения решения, либо до определения неразрешимости задачи. Посылки к правилам формируются с помощью блока проверки двойственности (12).

Двойственность - аппарат оценивания решения задач распознавания образов в ЭС. Двойственность - способ выйти «из себя» (из рассматриваемой задачи) и посмотреть со стороны.

На ЭС можно смотреть как на систему вывода следствий из данных и знаний, кроме того - и как на задачу эффективного выбора, т.е. нахождения элемента

наконец, как на задачу диагностики объекта и ситуаций, т.е. как на задачу распознавания образов. Отсюда видно, что на все эти задачи можно смотреть с точки зрения единой модели (1) и, следовательно, на двойственные задачи - как

на проверку выполнения необходимых и достаточных условий разрешимости включения, ЭС - набор способов выведения следствий вида

Двойственная задача - это запись необходимых и достаточных условий того. что включение х М является следствием системы (2).

Пусть М - дополнение до множества M. Тогда либо , и тогда

В любом случае дело сводится к необходимым и достаточным условиям пустоты пересечения конечного числа множеств. Для выпуклых множеств рассматривается вещественное линейное нормированное пространство. В БЗ (8) хранится конкретная информация относительно соответствующего предмета - факты, цифры, характеристики, практические правила и условия. МЛВ (7) обращается к БЗ (8) и на основе хранящихся в ней данных вырабатывает совет, рекомендацию или предполагаемое решение поставленной задачи. ЭС содержит блок пояснения, сообщающий конечному пользователю о том, какие знания, правила и какой ход рассуждений привели к данному заключению, почему система задает пользователю конкретный вопрос. ЭС содержит все подсистемы со своими интерфейсами, обеспечивающими связь с другими функциональными блоками комплекса.

Основу ЭС составляет БЗ (8), представляющая собой множество фактов. относящихся к сфере обучающих примеров живучести - набор правил, обеспечивающих настройку НС, а МЛВ (7) выдает заключения на основе сигнала комбинаций этих правил. МЛВ (7) ЭС выполняет задачи: реализацию выводов на основе неполной информации, поиск неизвестных входных переменных, обоснование полученных выводов.

В методах объяснения результатов проведения формального вывода применяются объяснения с помощью генерации цепочки правил типа «если..., то...», связывающие исходные данные с результатами выводов. В системе обучающий алгоритм обеспечивает получение входных значений в момент t_i (u_i÷u_u-16), расчет выходных значений на основе весовых коэффициентов (14-13),

получение корректного выхода да входов, относящихся к предшествующему времени t-d, (d - задержка времени) для данных, выполнение итераций алгоритма обучения (с заданным примером), обеспечивающих корректировку весов персептрона.

Система имеет возможность оперативной обработки динамически появляющихся обучающих примеров с точки зрения учета возможных шумов.

Структура НС (8), т.е. количество входящих в нее нейронов и характер связи между ними. представляет сеть прямого распространения - персептрон. В 3-хслойном персептроне. входной слой которого (на фиг.1) здесь не участвует в преобразовании информации, выполняет функцию распределения входных сигналов между нейронами скрытого слоя, которые участвуют в формировании реакции выходного слоя сети. Число нейронов входного и выходного слоя равно числу входов и выходов НС (8), увеличение числа нейронов в скрытом слое приводит к повышению точности аппроксимации НС требуемой нелинейной функциональной зависимости. Используется динамическая НС -сеть с памятью - рекуррентная сеть с временными задержками, где z^-1 - элемент запаздывания на время t=Т₀, Т₀ - период дискретизации сигналов, - синоптические связи. Сеть автономно функционирующих элементов ячеек соединена направленными связями (фиг.1), где обозначены входные (16). промежуточные (14, 15), выходные (13) ячейки. Каждая связь имеет вес w_ij,. который характеризует влияние ячейки и, на u_i (положительные значения отвечают возбуждению, отрицательные - торможению). Веса определяют поведение сети в целом. Каждая ячейка осуществляет активизацию - числовое значение в качестве своего выхода, все ячейки реализуют один и тот же алгоритм активизации.

Активизация любой ячейки определяется активизацией ячеек, непосредственно связанных с ней и соответствующими весами. Входы и активизация ячеек принимают значения {1, 0,-1}. Активность произвольной ячейки u_i (за исключением входных) вычисляется по формулам:

Динамика связанной сети обеспечивается просмотром ячеек и их активизацией - последовательным, одновременным или случайным образом. Машинное обучение требует нахождения весов и топологии сети. обеспечивающие необходимое поведение рассматриваемой модели. Обучение связано с «тренировкой» сети путем предъявления ей обучающих примеров - фиксированных пар «вход - выход».

Ячейки типа 16-14 - логические элементы, каждая итерация работы сети состоит из пересчета (в результате активизации) значений активности всех ячеек сети. Такая сетевая модель - линейная дискриминантная сеть.

Клеточный автомат (1) с конечным числом состояний - сеть из элементов, меняющих свое состояние в дискретные моменты времени по определенному закону в зависимости от того, каким было состояние самого элемента, и его ближайших соседей по сети в предыдущий дискретный момент времени, набор из N элементов, пронумерованных последовательно числами j=1, 2,...,N. Для указания связей задается для каждого j-ого элемента, группа элементов, которые являются его ближайшими соседями. Множество ближайших соседей j-ого элемента a(j): если j А(j), то элемент с номером j является ближайшим соседом j, фиг.2 (А и Б).

Клеточные автоматы вычислителя (3) генерируют локализованные и сложные структуры. Эти структуры могут быть стационарными или периодическими по времени. Клеточный аппарат представляет собой цепочки из элементов с возможными состояниями - покоя и активности. Пусть каждый элемент имеет по два соседа слева и справа в цепочке, а переходы между состояниями осуществляются по правилу 1,

1, если q _j⁽ⁿ⁾=3

q_j⁽ⁿ⁺¹⁾=0 в остальных случаях, где

Этот клеточный автомат генерирует стационарные локальные структуры - тройки из активных элементов. Эти клеточные автоматы обладают более сложной динамикой. В пределе N различные картины активности сети для таких автомагов сменяют друг друга, никогда не повторяясь. Локализованное местное возмущение порождает процесс изменения активности, который захватывает с течением времени все большую часть сети. Динамика клеточных автоматов этого класса существенно зависит от начальной картины активности сети. Подбирая начальные условия, можно генерировать различные последовательности сменяющих друг друга картин. Если отдельный элемент клеточной сети (1) может находиться лишь в одном из k состояний, все эти состояния можно пронумеровать так, что переменное будет принимать ряд целых значений от 0 до k-1. Если сеть является правильной и каждый элемент имеет ровно г соседей, то можно определить общее число возможных правил перехода для такой сети.

Выбор будущего состояния элементов определяется комбинацией из двух чисел: состояния самого этого элемента и суммы состояний его ближайших соседей г в данный дискретный момент времени n. Первый из них принимает k, а вторые - rk различных значений. Поэтому число различных комбинаций равно rk² . Каждой такой комбинации необходимо сопоставить одно из k возможных значений величины . Следовательно, полное число n+1 различных клеточных автоматов с заданными k и r составляет N_ПОЛН=

Клеточный автомат (1) - клеточная сеть с переменной структурой связей представляется в виде математической модели информационных потоков, в которых целое выступает, как ансамбль, открытая система, способная к самоорганизации. Связи между частями такого объекта со временем могут меняться.

Многоэлементная среда демонстрирует системные эффекты, не сводимые к относительно простым. При взаимодействии системы со средой основную

роль играют не абсолютные значения признаков отдельных элементов, определяющих это взаимодействие, а относительные, т.е. ранг элемента по этому признаку по отношению к другим элементам. Т.е. происходит дифференциация, когда элементы, отличающиеся по ряду признаков, берут на себя определенные функции по отношению к внешней среде.

Структура имеет гибкий, меняющийся состав, но сохраняет основные свои признаки несмотря на то, что отдельные элементы могут быть заменены. Тем самым нелинейность развития системы определяет многоальтернативность проявления их свойств. Элемент с изменением своего ранга в структуре может кардинально преобразовывать структуру связей, свои входные и выходные информационные потоки, имея при этом неизменные формальные параметры (динамичная структурность).

Система имеет способность сохранять информацию о предшествующем окружении, что лежит в основе опережающего отражения ее в модели, определять число связей, которые можно проверить на полезность на каждом шаге.

Значение (или ранг) элемента по признакам обеспечивает разнообразие, скорость реакции или гибкость поведения, средний объем обрабатываемой информации. При этом важно число связей, которые элемент может установить с другими. Связь - это формализованное представление о включенности элемента в среду, возможность получать, обрабатывать и передавать информацию.

В модели 1 устанавливаются связи с любым другим элементом системы, но и перестраивается структура своих связей. Подобная гибкость отражает свойство динамичной структурности, т.е. изменчивости состава образующихся подсистем при сохранении общей структуры.

Клетка не просто отрабатывает фиксированный закон эволюции, а фактически решает на каждом шаге оптимизационную задачу по выбору дальнейшей линии поведения для более эффективного использования потока

информационного ресурса, который либо поступает к ней извне, либо продуцируется и тратится ею самой.

Соответствующая динамика отражает свойства диссипативности (траты ресурсов на поддержание клеткой своего состояния), и открытость самой клетки (через поступление и трату ресурса во взаимодействии с соседями по системе). Кроме того, сама система, как открытая и диссипативная система, также получает и тратит некий ресурс, что выражается в случайном распределении поступающего к конкретной клетке ресурса на каждом шаге.

В модели 1 берутся дискретные характеристики клеток с относительно небольшим набором возможных значений, клетки могут отличаться друг от друга как в малом, так и в большом множестве значений. Это делает характеристики приближенными к непрерывным и позволяет проводить анализ влияния разнообразия элементов на эволюцию системы. Эти свойства моделей характеризуют клеточную сеть 1 с переменной структурой связей.

Модель 1 отличается признаками открытости и диссипатнвности: клетки получают в случайном порядке информационный ресурс извне и имеют индивидуальные характеристики по тратам этого ресурса, кроме того, численность и степень разнообразия внутри системы фиксированы.

Система 1 состоит из набора взаимодействующих элементов, каждый из которых характеризуется величиной имеющегося у него ресурса, набором внутренних параметров, которые одинаковы по смыслу, но могут отличаться по величине у разных элементов системы и набором связей каждого элемента. Последние определяют, с какими элементами системы взаимодействует данный элемент. Взаимодействие элементов заключается во взаимном обмене ресурсом, эффективность использования которого зависит от близости элементов в пространстве внутренних характеристик.

Система, содержащая n элементов (клеток), каждый из которых получает на каждом шаге некий ресурс, также определяемый на каждом шаге, имеет ограниченную плотность вероятности получаемого ресурса.

Элемент характеризуется дискретным набором чисел, а эволюция -дискретным временем. Каждый элемент имеет возможность менять структуру связей на каждом шаге, исходя из информации, которую он может получить о других, выбранных наугад на данном шаге членах системы, дополнительно к тем, с кем у него установлена связь. Под информацией понимаются данные об индивидуальных характеристиках элементов, определяющих степень сходства между ними.

Элементы отличаются друг от друга вектором индивидуальных различий, определенным в пространстве 3-х характеристик, связанных с тратами ресурса. Первая n_i - необходимые на каждом шаге траты ресурса, которые могут рассматриваться как диссипация этого ресурса (фиксированная величина), ресурс, расходуемый на информационное обеспечение самого элемента. Вторая z_i - абсолютная величина максимально допустимой траты ресурса на каждом шаге - «физическое» ограничение на функционирование элемента- Третья p_i - процент максимально допустимой траты на каждом шаге от текущего значения ресурса. Правила перехода от состояния к состоянию включает установление связей между элементами с максимизацией полезности связи. Полезность определяется степенью сходства между элементами по указанным трем характеристикам (евклидово расстояние в пространстве параметров. нормировано так, что максимально возможное расстояние равно 1). В зависимости от полезности установленных связей элемент получает некий информационный ресурс R _i.

Правила перехода:

1. Элемент характеризуется величинами:

- текущим значением ресурса, которым располагает элемент Х_i;

- тремя индивидуальными характеристиками n_i, z_i , p_i.

2. На каждом шаге i-ый элемент получает следующие ресурсы:

- некую равномерно распределенную случайную величину (целые числа b_i) с шагом 1;

- добавку к ресурсу за степень сходства с элементами, с которыми были установлены связи на предыдущем шаге (R _i).

3. На каждом шаге элемент осуществляет траты ресурса:

- необходимые, в виде индивидуальной фиксированной величины ресурса n_i;

- траты по установленным связям в зависимости от сходства индивидуальных характеристик D_i.

4. Каждый элемент имеет индивидуальные ограничения по тратам:

- абсолютную величину максимально допустимых трат на каждом шаге (z_i);

- процент максимально допустимой траты на каждом шаге от текущего значения ресурса (p_i).

5. Цель каждого элемента - максимизировать на каждом шаге поток ресурса через себя за счет:

- структуры связей (с чем более близким он связан, тем на больший коэффициент [2(1-r_ij )] умножается то. что получаст элемент по связи, r _ij - расстояние между связанными друг с другом i-ым и j-ым элементами в пространстве индивидуальных характеристик

изменения необходимых трат и максимума допустимых трат.

Закон эволюции задается формулой:

где D - min{R_iX(X _i(t)-n_i),z_i }, k_i - количество связей у i-ого элемента, j_i - множество связей i-ого элемента (множество номеров элементов, с которым связан 1-элемент на текущем шаге, k_i - мощность множества j _i).

Каждый элемент максимизирует последнее слагаемое за счет изменения структуры связей. Поиск связей осуществляется вероятностью, например, с помощью метода Монте-Карло.

Самоорганизация в системе 1 заключается в том, что с течением времени в иен остаются только те элементы, которые тратят на нее как можно больше своих ресурсов. В процессе самоорганизации происходит выделение параметров порядка ведущих переменных, которые определяют динамику всех остальных величин.

Использование НС (8) и КС (1) целесообразно при отсутствии точных математических моделей, либо при их чрезмерной эволюционной сложности, высокой размерности пространства состояний и принимаемых решений по управлению, многообразии критериев качества, высоком уровне шумов и внешних возмущений.

Параллельная природа НС (8) и КС (1) обеспечивает вычисления с высокими скоростями. НС содержит нелинейные компоненты и используется для аппроксимации нелинейных отображений с любой степенью точности. Параметры НС (8) и КС (1) подстраиваются в реальном времени с учетом входных и выходных данных, что говорит об адаптивности и самообучении системы в условии неопределенности информации в внешней среде.

Предлагаемая экспертная система характеризуется способностью автоматически формировать компетентные заключения на уровне эксперта-человека в определенной предметной области, в данном случае в авиации.

(ЭС) характеризуется способностью автоматически формировать компетентные заключения на уровне эксперта-человека в определенной предметной области, в данном случае в авиации. ЭС выполняет задачи, подобные ведению рассуждений на уровне здравого смысла.

Знания, хранимые в ЭС, относятся к той достаточно узкой области, для которой она предназначена (в авиации). Перечень типов решаемых ЭС задач: интерпретация, прогноз, диагностика, наблюдение, управление. Предметная область для ЭС выбирается достаточно узкой, чтобы избежать «комбинаторного взрыва» объема информации, необходимой для компетентного решения поставленной задачи.

Использование ЭС как бортового советчика при человеко-машинном взаимодействии открывает широкие возможности для автоматизации задач всепогодной эксплуатации самолетов, вывода самолета из критических ситуаций (пожар двигателя, отказ гидросистемы и т.д.), контроля систем восприятия зрительной информации.

Связанная экспертная система (ЭС), включающая процессор с динамическим запоминающим устройством, соединенный с машиной логического вывода (МЛВ) в составе интерпретатора, селектора, блока обучения, блока проверки двойственности, базу данных, базу знаний, выполненную в виде искусственной нейронной сети на основе персептрона, соединенной с селектором МЛВ, с которым соединен вход блока проверки двойственности, а выход селектора соединен с интерпретатором МЛВ, отличается тем, что в нее введены клеточная сеть - с вычислителями клеточного автомата, переходные блоки, входы клеточного автомата через переходной блок соединены с входным слоем персептрона, а выход также через переходной блок соединен с выходным слоем персептрона.

Связанная экспертная система (ЭС), включающая процессор с динамическим запоминающим устройством, соединенный с машиной логического вывода (МЛВ) в составе интерпретатора, селектора, блока обучения, блока проверки двойственности, базу данных, базу знаний, выполненную в виде искусственной нейронной сети на основе персептрона, соединенной с селектором МЛВ, с которым соединен вход блока проверки двойственности, а выход селектора соединен с интерпретатором МЛВ, отличающаяся тем, что в нее введены клеточная сеть - с вычислителями клеточного автомата, переходные блоки, входы клеточного автомата через переходной блок соединены с входным слоем персептрона, а выход также через переходной блок соединен с выходным слоем персептрона.