Иными словами, семейства функций
Аеiωt и A cos ωt + B sin ωt
инвариантны при сдвиге. [c.31]
Но существуют и другие семейства функции, инвариантные при сдвигах. Если рассматривать так называемое случайное блуждание, когда перемещение частицы за любой промежуток времени имеет распределение, зависящее от длительности этого промежутка и не зависящее от событий, происшедших до его начала, то ансамбль случайных блужданий также перейдет в себя при временном сдвиге.
Иными словами, инвариантность при сдвигах — это свойство тригонометрических кривых, которым обладают также другие множества функций.
В дополнение к этой инвариантности, тригонометрические функции характеризуются свойством
Аеiωt + Веiωt = (А + В)еiωt
благодаря которому они образуют чрезвычайное простое линейное множество. Легко заметить, что это свойство связано с линейностью, т. е. мы можем свести все колебания данной частоты к линейной комбинации двух колебаний. Именно это специфическое свойство обусловливает роль гармонического анализа при изучении линейных свойств электрических цепей. Функции
еiωt
суть характеры группы переносов и дают нам линейное представление этой группы[81].
Но когда мы обращаемся к другим комбинациям функций, нежели сложение с постоянными коэффициентами, например к перемножению функций, то простые тригонометрические функции уже не обнаруживают этого элементарного группового свойства. С другой стороны, случайные функции, такие, как при случайном блуждании, обладают определенными свойствами, весьма полезными при рассмотрении их нелинейных комбинаций.
Я не хотел бы входить в подробности, математически довольно сложные и уже разобранные в моей книге «Нелинейные задачи в теории случайных процессов». Материал этой книги уже применялся не раз при рассмотрении специфических нелинейных задач, но для выполнения изложенной там программы остается еще многое сделать. Практически дело сводится к тому, что [c.32] в качестве удобного стандартного сигнала на входе выступает уже не набор тригонометрических функций, а сигнал типа броунова движения. В случае электрических цепей такая «броунова» функция физически может быть получена дробовым эффектом. Дробовой эффект есть явление нерегулярности электрических токов, возникающее вследствие того, что токи представляют собой не непрерывный поток электричества, а последовательность неделимых и одинаковых электронов. Поэтому электрические токи подвержены статистическим колебаниям, которые сами носят довольно ровный характер и могут быть усилены настолько, что составят заметный случайный шум.
Как я покажу в гл. IX, теория случайного шума может служить на практике не только для анализа электрических цепей и других нелинейных процессов, но и для их синтеза[82]. С этой целью выходной сигнал нелинейного устройства со случайным входом приводится к ряду некоторых ортонормальных функций, тесно связанных с многочленами Эрмита. Задача анализа нелинейной цепи состоит в определении коэффициентов этих многочленов усреднением по параметрам входного сигнала.
Указанный процесс описывается довольно просто. Кроме черного ящика, изображающего еще не проанализированную нелинейную систему, у меня есть некоторые тела известной структуры, которые я буду называть белыми ящиками и которые изображают разные члены искомого разложения[83]. Я ввожу один и тот же случайный [c.33] шум в черный ящик и в данный белый ящик. Коэффициент белого ящика в разложении черного ящика равен среднему произведению их выходных сигналов. Это среднее надо брать по всему ансамблю входных сигналов, создаваемых дробовым эффектом, но существует теорема, которая во всех случаях, кроме множества меры 0, позволяет заменять это среднее средним по времени. Таким образом, мы нуждаемся в перемножающем устройстве, которое бы находило произведение выходов черного и белого ящиков, и в усредняющем устройстве, которое может быть основано на том, что разность потенциалов конденсатора пропорциональна его заряду и, следовательно, интегралу по времени от тока, текущего через конденсатор.
Можно не только определить один за другим коэффициенты каждого белого ящика, входящего слагаемым в эквивалентное представление черного ящика, но и определить их все одновременно. Можно даже при помощи соответствующих схем обратной связи заставить каждый белый ящик автоматически настраиваться на уровень, соответствующий коэффициенту этого белого ящика в разложении черного ящика. Это позволяет нам построить сложный белый ящик, который, будучи соединен надлежащим образом с черным ящиком и получая тот же самый случайный входной сигнал, автоматически превратится в операционный эквивалент черного ящика, хотя его внутреннее строение может быть весьма отличным.
Описанные операции анализа, синтеза и автоматической самонастройки белых ящиков по подобию черных могут выполняться и другими методами, принадлежащими проф. Амару Бозе[84] и проф. Габору[85]. Во всех этих методах используются процессы подгонки, или обучения, включающие выбор удобных входных сигналов для [c.34] черного и белого ящиков и сравнение этих ящиков. И во многих из них, в том числе в методе проф. Габора, важную роль играют перемножающие устройства.
Хотя имеется много способов электрического перемножения двух функций, задача эта технически нелегкая. С одной стороны, хороший перемножитель должен работать в широком диапазоне амплитуд. С другой стороны, он должен быть настолько быстродействующим, почти мгновенным, чтобы работать точно на высоких частотах. Габор утверждает, что его перемножитель работает в диапазоне частот примерно до 1000 гц. В своей речи при вступлении в должность профессора электроники в Имперском колледже естественных и технических наук Лондонского университета он не указал ни диапазона амплитуд, в котором применим его метод, ни достижимой степени точности. Я с нетерпением жду, чтобы эти данные были указаны и можно было оценить перспективы использования такого перемножителя в других зависящих от него устройствах.
Все эти системы, в которых некоторое устройство приобретает определенную структуру или функцию на основании прошлого опыта, приводят к весьма интересному новому подходу как в технике, так и в биологии. В технике устройства такого рода можно применять для того, чтобы не только проводить игры и другие целевые действия, но и постоянно совершенствовать при этом свое поведение на основании прошлого опыта. Я рассмотрю некоторые из этих возможностей в гл. IX настоящей книги. В биологическом плане перед нами по меньшей мере аналог того, что, быть может, составляет центральное явление жизни. Для существования наследственности и для размножения клеток необходимо, чтобы ответственные за наследственность компоненты клеток — так называемые гены — были способны строить по своему образу другие подобные, ответственные за наследственность структуры. Поэтому было бы весьма заманчиво найти способ, посредством которого технические устройства могли бы производить другие устройства с функциями, подобными их собственным. Я отведу этому вопросу гл. X, где, в частности, будет рассмотрено, каким путем колебательные системы данной частоты могут привести другие колебательные системы к той же частоте. [c.35]
Часто утверждают, что создание молекул данного вида по образу существующих молекул аналогично применению шаблонов в технике, которое позволяет использовать функциональный элемент машины как эталон для изготовления другого подобного элемента. Образ шаблона статичен, а молекула гена должна производить другую молекулу посредством некоторого процесса. Я делаю пробное предположение, что образцовыми элементами, определяющими индивидуальность биологических веществ, могут быть частоты, скажем, частоты молекулярных спектров, а самоорганизация генов может быть проявлением самоорганизации частот, которую я рассмотрю дальше.
Я говорил уже в общих чертах об обучающихся машинах. Я отведу особую главу для более подробного рассмотрения этих машин, их возможностей и некоторых проблем их использования. Пока же хочется сделать несколько замечаний общего характера.
Как мы увидим в гл. I, понятие обучающихся машин столь же старо, как и сама кибернетика. В случае описанных мною приборов управления артиллерийским зенитным огнем линейные характеристики предсказывающего устройства, используемого в данное время, зависят от долговременного знакомства со статистиками ансамбля тех временных рядов, которые мы хотим предсказать. Эти характеристики можно найти математически. по изложенным там принципам, но вполне возможно придумать вычислительную машину, которая будет собирать эти статистики и вырабатывать кратковременные характеристики предсказывающего устройства на основании опыта, уже пережитого самим предсказывающим устройством и записываемого автоматически. Это может пойти гораздо дальше чисто линейного предсказывающего устройства. В ряде статей Каллианпура, Мазани, Акутовича и моих[86] развита [c.36] теория нелинейного предсказания, которую можно, по крайней мере в принципе, механизировать аналогичным образом, с использованием долговременных наблюдений как статистической основы для кратковременного предсказания.
