Статья посвящена рассмотрению свойств гармонического метода имитации в рамках спектральной теории и оценке качества этого метода. Проведён обзор литературы о существующих методах моделирования многомерных случайных полей, позволивший выполнить сравнение этих методов, при этом критериями сравнения были сложность алгоритма, вычислительные затраты и требования к памяти, требования к ковариационной функции и сетке. Выявлены слабые места, такие как недостаточная точность и высокая вычислительная сложность, характерные для спектральных методов имитации, к которым относится гармонический метод. Рассмотрены формы сымитированного гармоническим методом сигнала для разных базисов: обнаружено свойство центросимметричности для квадратных сигналов в базисе Фурье, подобное ему свойство для прямоугольных сигналов в базисе Фурье, свойство симметричности квадратного сигнала в базисе Хартли и отсутствие подобных свойств у прямоугольного сигнала, сымитированного в базисе Хартли. Проведён сравнительный анализ точности имитации двумерных сигналов, как частного случая многомерных, гармоническим методом в базисах Фурье и Хартли. Демонстрируется, что в зависимости от характеристик дискретизации сымитированный сигнал в базисе Фурье отличается от этого же сигнала, сымитированного в базисе Хартли, по точности. Как следствие выполненного исследования, сформированы рекомендации по выбору базиса в конкретной задаче имитации двумерных сигналов. Описано влияние обнаруженных свойств на вычислительную сложность метода. Предложены способы применения этих свойств для имитации произвольных двумерных сигналов.
В данной работе предложен метод, комбинирующий вейвлет-преобразования и методы машинного обучения, для классификации состояния растительных культур по цветным цифровым изображениям. Входными данными для классификации являлся сформированный вектор текстурных признаков Харалика.
Реализована программа на высокоуровневом языке программирования Python для классификации цифровых изображений с использованием многоуровневого дискретного вейвлет-преобразования Добеши и классификационных методов машинного обучения – классической логистической регрессии и персептрона. Показана эффективность предложенного метода в решении задачи многоклассовой классификации изображений, сделаны соответствующие выводы, оценены перспективы метода.
Возможности искусственного интеллекта растут с увеличением мощности суперкомпьютеров и инноваций. Уже идут разговоры о том, что мы видим элементы Создания Искусственного Общего Интеллекта (Artificial general intelligence, AGI), например, в виде генеративного предварительно обученного трансформатора (Generative pre-trained transformer, GPT). Однако возможности классических подходов к построению искусственного интеллекта не безграничны. Они сдерживаются трудностями дальнейшего
увеличения плотности транзисторов, дискретным (цифровым) представлением данных, невозможностью лингвистического представления мыслей и эмоций людей, отсутствием учета поведения атомов нейронов, число которых в квадриллион раз больше, чем самих нейронов, а поведение характеризуется нелокальностью.
Однако снятие этих ограничений, включая смену цифровой парадигмы представления данных на аналоговую и учет атомной структуры нейронов, потребует создания новых материалов, которых еще нет на земле, построения оптических аналоговых процессоров. Эти исследования потребуют международного сотрудничества и использования специальной конвергентной технологии, которая обеспечит целенаправленность сложных междисциплинарных исследований. Некоторые элементы такой технологии
уже отрабатываются на практике.
Центральная идея статьи заключается в попытке ответа на вопрос, поставленный японским ученым Хираоки Китано: сможет ли ИИ в ближайшие десятилетия преодолеть когнитивные ограничения, присущие человеку и, тем самым, ускорить процесс достижения научных открытий? Авторы отвечают на этот вопрос положительно, утверждая при этом, что необходимо внести дополнительные смыслы в само понимание ИИ. Для этого они привлекают, с одной стороны, подходы к данной проблеме таких авторов, как Д. Сёрл, Д. Деннет, Д. Хофштадтер. Р. Пенроуз и др. С другой – включают в свой анализ идеи представителей STS (Science. Technology. Society) – Б. Латура, К. Кнорр-Цетины, Х-И. Райнбергера и др. В итоге авторы формулируют вывод: признание Нобелевским комитетом соавторства ученого с ИИ – вполне реальная перспектива 2040-х гг.