Zakończenie

Istnieje wiele zjawisk fizycznych, chemicznych, społecznych, dla których od-

notowano udane próby symulowania ich za pomocą automatów komórko-
wych. Wydaje się więc, że jest zasadne budowanie systemu, który na podsta-
wie analizy produktów CA będzie zdolny znaleźć reguły rządzące ewolucją
zjawiska. Taki system uczący się może być przydatny w procesie analizy ba-
danego zjawiska, w odkrywaniu rządzących nim mechanizmów. Dzięki zna-
lezionym regułom ewolucji CELLS jest w stanie symulować zachowanie się
analizowanego układu. Wynikiem tego jest także możliwość przewidywania
przyszłych stanów zjawiska.
Każda z przedstawionych implementacji systemu CELLS posiada własno-
ści predestynujące ją do konkretnych zastosowań. Zaletą systemu CELLS1v1
jest możliwość przetwarzania ciągów wejściowych dowolnej długości. Dodat-
kowo, co pokazano w rozdziale 4, nie ma ograniczenia co do ilości stanów
składowych przetwarzanych ciągów wejściowych przez ten system. Jego wadą
jest wolny algorytm uczenia się. Najszybszym systemem jest CELLS2v2. Po-
siada on jednak ograniczenia co do długości ciągów wejściowych, ponadto
nie produkuje otoczenia NZ . Jest to system dobrze sprawdzający się w zada-
niu rozpoznawania obrazów. System CELLS2v1 jest szybkim, uniwersalnym
systemem o szerokich możliwościach zastosowania.
Zdaniem autora, dalsze badania powinny być ukierunkowane na odkry-
wanie możliwych zastosowań systemów CELLS. W paragrafie 4.2 opisano
programy zbudowane na bazie systemu CELLS1v1, które służyły do wykry-
wania zmian patologicznych na podstawie zdjęć mammograficznych. Efekty
użycia tych programów należy traktować jako obiecujące zachęty do dalszych
prac na tym polu. Choć większa część rozdziału 4 dotyczyła analizy obra-
zów cyfrowych, systemy CELLS mogą być użyte do odkrywania informacji z
danych wejściowych dowolnej postaci.
Literatura

[1] Baker G. L., Gollub J. P., Wstęp do dynamiki układów chaotycznych,

tłum. K. Stefański, Warszawa 1998.

[2] Banachowski L., Diks K., Rytter W., Algorytmy i struktury danych,
Warszawa 1996.

[3] Blum L., Cucker F., Shub M., Smale S., Complexity and real computa-
tion, Springer-Verlag 1997.

[4] Bolc L. (Ed.), Computational Models of Learning, Springer-Verlag Ber-

lin Heidelberg 1987.

[5] Bolc L., Coombs M. J., Expert systems applications, Springer-Verlag

Berlin Heidelberg 1988.

[6] Bolc L., Borodziewicz W., Wójcik M., Podstawy przetwarzania infor-
macji niepewnej i niepełnej, Warszawa 1991.

[7] Borkowski P., Fractals based on Lagrange’s interpolation formula, Acta

Universitatis Purkynianae 72, (Studia Mathematica) 2001, s. 5-9.

[8] Borkowski P., Learning system based on cellular automata, Annales

Academiae Paedagogicae Cracoviensis, (Studia Mathematica III) 2003,
s. 13-17.

[9] Charniak E., McDermott D., Introduction to Artificial Intelligence,

Addison-Wesley Publishing Company, 1985.

[10] Chernikov A. A., Sagdeev R. Z., Zaslavsky G. M., Chaos: how regular
can it be? Physics Today November 1988, s. 27-35.

[11] Cichosz P., Systemy uczące się, Warszawa 2000.

LITERATURA 104

[12] Coveney P., Highfield R., Granice złożoności. Poszukiwania porządku

w chaotycznym świecie, tłum. P. Amsterdamski, Warszawa 1997.

[13] Czernawski D. S., Romanowski J. M., Stiepanowa N. W., Co to jest

biofizyka matematyczna, tłum. E. Skrzypczak, Warszawa 1974.

[14] Dorfman J.R., Wprowadzenie do teorii chaosu w nierównowagowej me-

chanice statystycznej, tłum. A. Majhofer, Warszawa 2001.

[15] Farmer D., Toffoli T., Wolfram S.(Ed.), Preface to Cellular Auto-
mata, Cellular Automata: Proceedings of an Interdisciplinary Work-
shop, North-Holland Physics Publishing, 1984, vii–xii.

[16] Feigenbaum E. A., Feldman J. (Ed.), Maszyny matematyczne i myśle-

nie, Poznań 1972.

[17] Flocchini P., Geurts F., Mingarelli A., Santoro N., Convergence and
Aperiodicity in Fuzzy Cellular Automata: Revisiting Rule 90, Comple-
xity International, 6, 1998.

[18] Garzon M., Models of Massive Parallelism. Analysis of Cellular Auto-

mata and Neural Networks, Springer-Verlag Berlin Heidelberg 1995.

[19] Gupta A., Prasad B. E. (Ed.), Principles of expert systems, IEEE

PRESS, 1988.

[20] Harmon P., King D., Expert systems. Artificial intelligence in business,
A Wiley Press Book, 1985.

[21] Harrison M. A., Wstęp do teorii sieci przełączających i teorii automa-

tów, tłum. H. Stelmasik, J, Szabatin, W. Zuberek, Warszawa 1973.

[22] Jackson P., Introduction to expert systems, Addison-Wesley Publishing

Company, 1986.

[23] Jubak J., In the image of the brain. Breaking the barrier between the
human mind and intelligent machines, Little, Brown And Company,
1992.

[24] Kacprzyk J., Zbiory rozmyte w analizie systemowej, Warszawa 1986.

LITERATURA 105

[25] Kamionka-Mikuła H., Małysiak H., Pochopień B., Układy cyfrowe. Teo-
ria i przykłady, Gliwice 2001.

[26] Kosiński R. A., Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos,

Warszawa 2002.

[27] Kudrewicz J., Fraktale i chaos, Warszawa 1996.

[28] Kurnik W., Bifurkacje dywergentne i oscylacyjne, Warszawa 1997.

[29] Majewski W., Układy logiczne, Warszawa 1999.

[30] Marciszewski W., Sztuczna inteligencja, Kraków 1998.

[31] Margara L., On Some Topological Properties of Linear Cellular Auto-

mata. MFCS’99, LNCS 1632. Springer 1999, 209-219.

[32] Martyn T., Fraktale i obiektowe algorytmy ich wizualizacji, Poznań

1996.

[33] De Micheli G., Synteza i optymalizacja układów cyfrowych, tłum. Z. M.

Ażgin, Warszawa 1998.

[34] Mostowski A. W., Algebry Boole‘a i ich zastosowania, Warszawa 1964.

[35] Nusse H. E., Yorke J. A., Dynamika. Badania numeryczne, tłum. S.

Jankowski, Warszawa 1998.

[36] Orlik M., Reakcje oscylacyjne. Porządek i chaos, Warszawa 1996.

[37] Ott E., Chaos w układach dynamicznych, tłum. S. Jankowski, War-

szawa 1997.

[38] Ott E., Spano M., Controlling chaos, Physics Today May 1995, s.34-40.

[39] Packard N.H., Wolfram S., Two-Dimensional Cellular Automata, Jo-

urnal of Statistical Physics, 38 (March 1985), s. 901-946.

[40] Pavlidis T., Grafika i przetwarzanie obrazów, tłum. J. Loska, J. Chmu-

rzyński, L. Urbaniak, Warszawa 1987.

[41] Pawlak Z., Gramatyka i matematyka, Warszawa 1965.

LITERATURA 106

[42] Pawlak Z., Systemy informacyjne. Podstawy teoretyczne, Warszawa

1983.

[43] Peitgen H. -O., Jürgens H., Saupe D., Granice chaosu. Fraktale, cz. 1 i
2, tłum. K. Pietruska-Pałuba, K. Winkowska-Nowak, Warszawa 1996.

[44] Penrose R., Nowy umysł cesarza. O komputerach, umyśle i prawach

fizyki, tłum. P. Amsterdamski, Warszawa 1996.

[45] Penrose R., Shadows of the Mind, Oxford: Oxford University Press,
1994.

[46] Robert F., Discrete iterations: a metric study, Springer-Verlag Berlin,

1986.

[47] Ruelle D., Where can one hope to profitably apply the ideas of chaos?
Physics Today July 1994, s.24-30.

[48] Sell P. S., Expert systems - a practical introduction, Macmillan Publi-

shers, 1985.

[49] http://sprojects.mmi.mcgill.ca/

[50] Suzudo T., Crystallisation of Two-Dimensional Cellular Automata,

Complexity International, 6, 1998.

[51] Tadeusiewicz R., Flasiński M., Rozpoznawanie obrazów, Warszawa

1991.

[52] Tadeusiewicz R., Korohoda P., Komputerowa analiza i przetwarzanie

obrazów, Kraków 1997.

[53] Toffoli T., CAM: a high-performance cellular-automaton machine, Phy-

sica 10D, 1984, 195-204.

[54] Ubar R., Testing of Digital Systems, Tallinn Techni-

cal University, D&T Laboratory, Estonia, dostępne w:
http://www.pld.ttu.ee/∼raiub/web 0103/diagnostika/loengukiled/

[55] Waldrop M. M., Man-made minds. The promise of artificial intelli-

gence, Walker Publishing Company, 1987.
LITERATURA 107

[56] Wolfram S., Cellular Automata. Los Alamos Science 9, (Fall 1983) s.
2-21.

[57] Wolfram S., Cellular Automata as Models of Complexity, Nature, 311,

(October 1984), s. 419-424.

[58] Wolfram S., Cellular Automata as Simple Self-Organizing Systems, Cal-

tech preprint CALT-68-938, 1982.

[59] Wolfram S., Cellular Automaton Supercomputing, High-Speed Compu-

ting: Scientific Applications and Algorithm Design, (Ed.) R. B. Wil-
helmson, University of Illinois Press, 1988.

[60] Wolfram S., Computation Theory of Cellular Automata, Communica-

tions in Mathematical Physics, 96 (November 1984), s. 15-57.

[61] Wolfram S., Martin O., Odlyzko A.M., Algebraic Properties of Cellular
Automata. Communications in Mathematical Physics, 93 (March 1984)
s. 219-258.

[62] Wolfram S., Universality and Complexity in Cellular Automata. Phy-

sica D 10, (January 1984) s. 1-35.
Indeks

α-minimalizacja, 8, 14, 17 otoczenia moc, 6

α-przekrój, 8 otoczenie, 5, 6, 22

algorytm para trenująca, 13

MRW, 59, 60, 65, 67, 76, 78, 79 pochodna boolowska, 22, 23
Quine’a-McCluskeya, 61, 76, 78 dwukrotna, 25
automat komórkowy, 2 wielokrotna, 25
deterministyczny, 1 produkt
jednowymiarowy, 1, 20, 22, 90, CA, 1, 2, 4, 7, 10–12, 14, 15,
92, 95 22, 25, 90, 92
probabilistyczny, 1 niepełny, 5, 6
rozrastający się, 86, 87, 92, 99 pełny, 5–7, 9
pełny, 68
ciąg CA , 3 produktu CA wykres, 9
informacja trenująca, 13 przekształcenie redukujące, 63–65

kod binarny redukcja, 5

Graya, 40 reguła
naturalny, 40 ewolucji, 1
globalna, 2
macierz zależności, 21, 23 lokalna, 2, 6, 14
minimalizacja zbioru F ∗ , 6, 7, 14,
21, 26, 27, 31, 34, 37, 58, składowa produktu CA, 9
65, 67, 74, 76 system uczący się
CELLS, 14, 18
odwzorowanie chaotyczne CELLS1, 28, 73
T G, 44, 45, 50, 52, 54, 56, 68, CELLS1v1, 28, 74, 75
70, 71 CELLS1v2, 28, 36, 74
funkcja logistyczna, 43 CELLS2, 62, 73–75
namiotowe, 42, 56, 68 CELLS2v1, 65, 76, 79
piłokształtne, 42, 56 CELLS2v2, 67, 83
INDEKS 109

z nadzorem, 13
systemu uczącego się skuteczność,
13, 35, 67

twierdzenie
o funkcji T G, 55, 56
o otoczeniu, 23
o produkcie CA, 4
rozszerzone o otoczeniu, 26

wykres F δ∗ , 9, 36, 63, 65, 67, 68,

70, 84
wykresu F δ∗ uzupełnianie, 68–71
wymiar fraktalny, 50

zbiór
F ∗ , 4, 6, 29
cyklicznych przesunięć, 5, 6