Загрузка...

Введение


Принципы обработки информации в современных СОД и функционирование человеческого мозга существенно различаются. И хотя о работе человеческого мозга известно не так много, существует множество моделей, имитирующих внешнее проявление этой работы. Системы, построенные на принципах параллельной обработки данных в распределенных нейронных сетях, называются нейрокомпьютерами.

Выделяют 5 подходов к технической реализации нейросети:

— Программа на последовательной ЭВМ;

— Программа на параллельной ВС, в частности, с массовым параллелизмом;

— Аналоговые СБИС;

— Интеллектуальная память;

— Оптические системы.

К настоящему времени практически единственной доступной реализацией модели нейросети являются программы с аппаратным обеспечением для сокращения времени их выполнения (в виде сопроцессорных плат, матричных процессоров или встраиваемых транспьютерных сетей).

Искусственные нейронные сети нашли применение везде, где нужно решать задачи прогнозирования, классификации или управления. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны. Этот класс приложений во всяком случае не меньше класса, обслуживаемого обычными вычислениями, и можно предполагать, что искусственные нейронные сети займут свое место наряду с обычными вычислениями в качестве дополнения такого же объема и важности.

Важным качеством нейронной сети является способность к обучению. Разработано множество различных алгоритмов обучения.

Нейронная сеть состоит из множества одинаковых элементов – нейронов. Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий весовой коэффициент (вес), аналогичный синоптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1 представлена модель, реализующая эту идею. Здесь множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,, wn, и поступает на суммирующий блок, обозначенный ?. Каждый вес соответствует «силе» одной биологической синоптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом:

NET = XW.

clip_image002

Рис. 1. Искусственный нейрон

Сигнал NET далее, как правило, преобразуется активационной функцией F, реализованной в ЛПЭ, и дает выходной нейронный сигнал OUT. Активационная функция может быть обычной линейной функцией

OUT = K(NET),

где К – постоянная, пороговой функции

OUT = 1, если NET > T,
OUT = 0 в остальных случаях,

где Т – некоторая постоянная пороговая величина, или же функцией,

clip_image004,

более точно моделирующей нелинейную передаточную характеристику биологического нейрона и представляющей нейронной сети большие возможности.

В настоящее время нейронные сети в большей степени следует рассматривать как альтернативу алгоритмическому программированию, а не как высокопроизводительные СОД. Актуальность данной области научных исследований велика, т.к. нейросети могут оказаться полезными для специализированных ВС, ориентированных на распознавание образов, символьной обработки, распознавания и синтеза звуков, где алгоритмическое программирование не является эффективным способом решения задачи.

Загрузка...