Тема форума: «Бот на ГО»

Тут три контекста активируется друг за другом: задумчивость, возбуждение, вопрос. Итоговый контекст контрастируется или представляет собой последовательность нескольких, может быть особый динамический тип. Но для начала можно работать с одинарными простыми предложениями. Возможно, что работа с несколькими предложениями это уже новый уровень, который формируется после созревания этого. 

Строение сетчатки натолкнуло меня на мысль, что сначала переферийными зонами определяется общие признаки объекта, типа что то большое, мелкое, подвижное/неподвижное, яркое/тусклое. Они возбуждают управляюшие контексты, которые уже управляют контрастированием уточняющей  детализацией в фовеоле. И думаю точно так же должно просходить распознавание текста. Сначала общий контекст, потом уже детали. 

Там должно было быть: Приветствие! Как настроение? То есть распознавание не означает повторить точный текст, а выявить суть. Детализация уже после, вторым уточняющим шагом под управлением активировашихся контекстов.

А по какому принципу ты определяешь рецептивные поля? Скорей всего в центре корень, вокруг него однокоренные слова со все более увеличивающей по периферии размытостью за счёт приставок, суфиксов, окончаний. Тут по идее надо поэкспериментировать с разными типами группировок и взаимного расположения узлов.

Думаю, нужно ввести понятие уровня активности сенсора, который определяется как процентное отношение длины сенсора к длине введенного слова. Тогда можно при обучении автоматически определять веса связей, ориентируясь на уровень активности сенсора. Например, так происходит активация сенсорной матрицы на текст "кто ты такой" ( sensors_aktiv.rar  массив сенсоров использовался от nan):

• к (0.33)
• кто (1.00)
• о (0.33)
• т (0.33)
• то (0.67)

• т (0.50)
• ты (1.00)
• ы (0.50)

• а (0.20)
• й (0.20)
• к (0.20)
• ко (0.40)
• о (0.20)
• ой (0.40)
• т (0.20)
• та (0.40)
• так (0.60)

Максимальная активность у сенсоров при точном совпадении. Эти веса должны передаваться на второй сенсорный слой (фразеологизмов) создавая связи безусловных рефлексов. Затем нужно добавить тормозные связи во второй слой, чтобы контрастировать наиболее активные словосочетания. Так получим два связанных рецепторных слоя с функцией торможения, которой можно управлять.Кроме того, можно управлять и активностью первичных рецепторов например через коэфф. активности, что позволит менять чувствительность матрицы. Эти два параметра можно связать с текущим состоянием гомеостаза и получим безусловное рефлекторное реагирование сенсорной активности в зависимости от гомеостаза.

Остался вопрос по поводу схему расстановки тормозных связей.

Можно и так, тогда добавить принудительно веса на первую и последнюю. Я думаю, тут все таки можно сразу фильтровать активности по величине веса, чтобы на второй слой не все пошли. И рецептивные поле также легко определяется - это та куча рецепторов, что активировалась на одно слово. Из неё сразу можно выкинуть те, чей вес будет меньше заданного порога. А порог это ещё один параметр, через который можно управлять матрицей связями от гомеостаза.

То, что распознавание критично на начальную и последнюю буквы слова прямо указывает на контрастирование границ между словами и пробелами. То есть пробел и есть тот рецептор, который усиливает контрастность и выделяет границы. В нашем случае можно просто тупо добавить веса рецепторам справа и слева от пробела.

добавил связь с текущим уровнем гомеостаза, общее контрастирование конечных символов в слове. Добавил параметры для сенсоров порог и коэфф. контрастирования. Еще добавил в выходной массив пробелы для разделения полученных областей активности - это как бы имитирует дополнительный рецептор, реагирующий на пробел. В результате часть символов, не перешагнувших порог пропали  nyeyro_17_01.rar

• к (0.25)
• кто (1.00)
• о (0.25)
• то (0.50)
•  
• т (0.38)
• ты (1.00)
• ы (0.38)
• й (0.15)
• ой (0.30)
• т (0.15)
• та (0.30)
• так (0.45)

Связь с такими весами к первому слою эффекторов должна привести к тому, что активнее всех будут полные совпадения (слова: кто, ты) а в слове "такой", где нет точного попадания получится складывание активностей: (т + та + так) и (й + ой) - потому что там общие символы т и й - они являются границами слова.

В схеме присутствует первичное контрастирование на уровне сенсоров, так как уже там можно простыми манипуляциями получить простейшую фильтрацию. На слое эффекторов должны получиться активности от связей:

кто

ты

так

ой

Остальные задавятся латеральным торможением. Но это уже совсем другой алгоритм. В принципе можно сделать гашение всех сенсоров, оставив лишь наиболее точно совпавшие со словом просто повышением порога и/или коэфф. контрастирования. То есть выделить наиболее точные попадания прямо в слое сенсоров, без латерального торможения эффекторов. Это будет быстрее, но не будет соответствовать природной реализации. Там есть такой эффект, но не настолько глубокий. Но может это тот вариант, когда можно отойти от природной реализации, чтобы повысить скорость.

Сделал выключение оставшихся сенсоров, активировавшихся на слово если нашелся сенсор с точным совпадением. neurobot18_01.rar

Теперь остается только контрастировать на следующем слое оставшиеся части. При этом что интересно, за счет введения параметров сетки (порог, уровень контраста) появляется возможность несколько раз делать сканирование с разными параметрами. То есть если с первого раза не удалось распознать, можно повысив чувствительность за счет понижения порога еще раз пробежаться. Получается режим "уточнения". При этом к самому ресурсно затратному латеральному торможению еще не побирались. Думаю, надо выжимать по максимуму из рецепторов.

С другой стороны контрастирование через торможение более мощное, чем простым понижением порога. Потому, что выключаемые эффекторы перестают тормозить связанные с ними оставшиеся активными, и они тем самым получают дополнительную добавку в весе. Как у качелей: если один конец перекладины идет вниз, то другой вверх. А при контрастировании изменением порога просто отстригаются стебли, оставляя самые длинные колоски.

Тем не менее я думаю в сенсорном слое это надо все таки оставить как предварительное контрастирование, чтобы увеличить производительность.

В алгоритме распознавания учитываются значения переменных:

• comfortLevelCurrent - текущий уровень гомеостаза
• contrastLevelSensors - уровень контрастирования сенсоров
• limitAktivSensors - порог срабатывания сенсоров

Они формируют текущий гомеостатический контекст распознавания и в дальнейшем реагирования. Теперь нужно сделать так, чтобы слова воздействовали на гомеостаз бота, чтобы запустить процесс адаптации, как выравнивание уровня к норме.

Можно исходить из того, что все воздействия влияют на него негативно, стало быть вопрос лишь в том, какой уровень негатива присвоить словам/фразам. Тут скорей всего придется включать режим обучения. Для этого в функцию активации сенсоров sensorsAktivate() нужно добавить еще один параметр - уровень агрессии. Тогда юзер каждое свое сообщение в стадии обучения должен сопровождать указанием этого уровня (нужно еще пару параметров - границы диапазона). А бот должен в итоге научиться определять, какие слова и выражения какой итоговый уровень агрессии несут. И сохранить его как значимость определенного сочетания активных сенсоров.

Пока еще рано говорить даже о примитивных чувствах бота. У него пока есть только одна реакция реагирования: повышение/понижение чувствительности сенсоров и уровня контрастирования. На большую агрессию он отвечает повышением, на меньшую - понижением. То есть тут можно просто прямую связь поставить. То есть три параметра гомеостатического контекста надо просто связать каким то отношением с уровнем агрессии, указанным юзером. И тогда можно будет сказать, что сенсорное реагирование зависит от введенных слов. А рефлекторное реагирование означает что под ответным контекстом (значениями параметров) происходит контрастирование матрицы фразеологизмов. То есть бот на этом этапе будет реагировать как попугай, говорить слова не понимая их смысла - но под общим ответным контекстом реагирования.

Тоже думаю, что будет больше толку, если начнём мутить пару параллельных проектов, чтобы проверять свои предположения и сравнивать результаты. Так больше шансов найти наиболее рациональный путь. Может в итоге можно будет объединить наиболее удачные находки в одном проекте, а может окажется что есть несколько вариантов сделать одно и тоже.