WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


Pages:     || 2 | 3 | 4 | 5 |   ...   | 19 |
распознавание образов разделилось на поднаправления, занимавшиеся разработкой систем распознавания вероятностных, детерминированных, логических, структурных и других.

В те же годы начало развиваться и направление ИНС, поставившее себе целью Предисловие моделирование процессов, происходящих в нервной клетке-нейроне и в нервной ткани – сети, образованной из нейронов. Нейрон, как устройство, конвергирующее входные воздействия – нервные импульсы, производящее результат тоже в виде нервных импульсов, и дивергирующего его по другим нейронам, стал предметом изучения, как В наше время искусственные нейронные сети (ИНС) вызывают большой интерес у нейрофизиологов, так и кибернетиков. Последние строили различные модели нейрона, специалистов разных направлений. Тех, кто не знаком с ними, интригует само название не дожидаясь того момента, когда нейрофизиологи предоставят исчерпывающее «нейронные сети», в котором слышится намек на искусственные интеллектуальные описание функциональности нервной клетки. И такое нетерпение оказалось системы. Биологи ищут в ИНС аналогии со свойствами живой нервной системы, но, оправданным, поскольку долгожданного описания биологической нервной клетки не как правило, остаются разочарованными. Тех, кто связан с распознаванием образов, существует и поныне. Тому имеется две причины. Первая из них связана с ИНС привлекают возможностью построения системы распознавания, минуя миниатюрностью биологического нейрона. У этого «черного ящика» физически трудно трудоемкие этапы построения математической модели этой системы и ее оптимизации.

измерить и запротоколировать входные и выходные сигналы. Еще более трудно Специалисты, занимающиеся собственно ИНС, всегда озабочены поиском выхода из разобраться в структуре нервной сети в нервной системе и мозге, в которых количество проблем, которыми современные нейронные сети обладают в избытке.

нейронов и связей между ними измеряется астрономическими числами. Вторая Настоящий сборник содержит статьи, отражающие некоторые результаты работы причина, на наш взгляд, состоит в том, что функция нейрона достаточно сложна, для Отдела имитационных систем ИСП РАН в области нейросетевых технологий. В того, чтобы в ней можно было разобраться вне системного подхода, т.е. без понимания основном, исследования отдела ведутся в русле развития нового направления, логики работы всей нервной системы. Нейрофизиологи, в принципе, могут не знать, инициированного сотрудниками отдела, и связанного с построением новой концепции какие из многочисленных свойств нейрона являются ключевыми, на что именно адаптивного управления (метод «автономного адаптивного управления» (ААУ)).

следует обращать внимание для того, чтобы построить его адекватную модель. Каков Нейроноподобная реализация систем ААУ опирается на специально для этого критерий правильность модели нейрона Ответа на эти вопросы сейчас нет. Очевидно, разработанные модели нейронов и нейросетей. Чтобы читателю было легче понять, что модель нейрона должна обеспечивать правильную работу модели нервной системы, зачем авторам понадобилось разрабатывать новые модели нейронных сетей, и чем не мозга. Но этой модели сегодня нет. Отсутствует понимание функций мозга даже в устраивают уже имеющиеся ИНС, коротко напомним и прокомментируем основные самом общем виде, как это ни странно звучит. Уверенно называются только некоторые положения ИНС, а затем укажем на те их недостатки, которые авторы и пытаются из задач, которые решает нервная система (например, распознавание образов, принятие исправить.

решений), но комплексное понимание ее работы в целом отсутствует. Даже такие Искусственные нейронные сети, как направление кибернетики, появилось в 40-х годах очевидные, как теперь кажется, понятия, как обратная связь, необходимая для ХХ века в результате попыток понять и смоделировать функции, строение и принцип управления, были введены в модель нервной системы совсем недавно (Н.Винер, действия биологических нервных систем, мозга, интеллекта. За задачу взялись с П.К.Анохин). Существуют разные варианты концепций работы мозга, но до разных сторон, и вскоре были выявлены, соответственно, разные аспекты изучаемого консенсуса среди специалистов еще далеко и в наше время.

объекта. Возник очень широкий спектр постановок задач и различных направлений В условиях 40-х гг., когда биологических данных было мало, адекватные модели исследований. Это было «время разбрасывать камни» - время, когда идеи и гипотезы нейрона предложить было еще труднее. Тем не менее, в 1943 г. одна из моделей рождались бурно, они были плохо сформулированы, решений не было, или они были нейрона, а именно, модель, предложенная Маккалоком и Питтсом [П1], впоследствии фрагментарны и плохо формализованы. Однако, похоже, что приверженцы разных названная формальным нейроном, оказалась сравнительно удачной в следующих направлений вскоре совсем перестали понимать друг друга, чему способствовало отношениях. Модель была логической, что приближало ее к свойствам логических появление сложных и различных формализованных описаний задач и полученных элементов вычислительной техники, т.е. делало ее легко вычислимой. Модель была решений. Возникли такие направления, как распознавание образов, нейронные сети, сравнительно простой. Впоследствии эта модель нейрона претерпела еще большее системы, работающие со знанями, принятие решений, машинный перевод, упрощение и теперь она представляет собой взвешенный сумматор входных сигналов, робототехника, машинные игры. Кроме того, каждое направление разделилось на выходной сигнал которого определяется так называемой активационной функцией, поднаправления, стремительно удалявшиеся друг от друга. Например, 5 значение которой зависит от указанной суммы. Активационная функция может иметь, и представимости). Еще одна проблема связана с тем, что если возникнет например, экспоненциальный вид, либо представлять собой пороговую функцию с необходимость дообучить ИНС еще для одного примера, то ее может постигнуть двумя значениями 0 и 1. Если n входов нейрона с пороговой функцией понимать как n катастрофическое забывание – ИНС утратит ранее приобретенные навыки и обучение измерений в признаковом пространстве, то присвоенные этим входам веса определяют придется начинать сначала для новой расширенной обучающей выборки.



в признаковом пространстве гиперплоскость, делящую ее на два подпространства, для Однако в случае успеха, когда ИНС удалось обучить распознавать примеры из одного из которых выходной сигнал нейрона будет равен 1, а для другого 0. Эту обучающей выборки, ее можно использовать для автоматического распознавания гиперплоскость можно интерпретировать как решающую границу элементарной образов. Очевидно, что распознавание образов – это интеллектуальная задача. К задаче системы распознавания, в которую превращается формальный нейрон, способной распознавания можно свести множество задач управления. Это такие случаи, когда распознавать два класса (образа) объектов, представляемых возможными значениями заранее известно, что именно система управления должна делать в той или другой входных векторов. Теперь проблема состоит в том, чтобы подобрать такие значения ситуации, и остается только одна проблема – правильно распознать текущую ситуацию весов для входов нейронов, которые позволили бы распознавать необходимые образы, (класс, образ, сцену). Например, в пропускной системе предприятия заранее известны представленные в обучающей выборке. Если для заданного множества источников сотрудники, которых следует пропускать на территорию предприятия, и проблема входных сигналов (датчиков) создать однослойный персептрон, т.е. линейку нейронов, только в том, чтобы правильно распознавать этих людей.

на каждый из которых подаются сигналы от всех датчиков, но с различными весами, то Второе использование ИНС также восходит к распознаванию, это способность ИНС получим систему распознавания, способную распознавать классы, разделяемые в апроксимировать функции. При этом используются нейроны с гладкими признаковом пространстве гиперплоскостями всех нейронов. Если мы хотим получить активационными функциями, и ИНС можно обучить апроксимировать заданную классы, представленные в признаковом пространстве ограниченными выпуклыми функцию с заданной точностью. Здесь также стоит задача обучения ИНС, т.е. подбора областями, то следует использовать 2-слойный персептрон, где нейроны 2-го слоя оптимальных весов для входов нейронов.

будут осуществлять логическую композицию открытых областей. А если класс должен быть представлен ограниченной невыпуклой областью, то необходим 3-слойный Этими двумя основными способностями ИНС, позволяющими решать задачи персептрон, где нейроны 3-го слоя будут конструировать невыпуклую область из распознавания и апроксимации без производства сложных аналитических расчетов, а нескольких выпуклых.

лишь за счет обучения ИНС на примерах обучающей выборки, и обусловлен высокий интерес к практическому использованию ИНС. ИНС нашли широкое применение в Были разработаны различные алгоритмы обучения ИНС для автоматического подбора разных технических системах. Математики и инженеры, стараясь получить максимум весов нейронов всех слоев многослойного персептрона. Эти алгоритмы могут быть пользы из этих способностей ИНС, развили математический аппарат таких ИНС, детерминированными, а могут быть стохастическими. Большинство из этих алгоритмов доказали способности ИНС к обучению и сходимости, изобрели множество различных обучения реализуют принцип обучения с учителем. Алгоритм пользуется обучающей активационных функций, множество типовых схем соединения нейронов в сети выборкой, т.е. заранее известно, какие значения должны иметь выходы ИНС при (послойные, полносвязные, прореженные, модульные, с обратными связями и без них), предъявлении ей того или иного объекта из обучающей выборки. Алгоритм должен а также множество алгоритмов обучения ИНС. Заметно ощущается то, что в нынешнем иметь возможность наблюдать все фактические выходы ИНС, знать желаемые своем варианте ИНС приближаются к пределу своих возможностей. При этом, многие (целевые) выходы для данного примера обучающей выборки и сравнивать их друг с специалисты по ИНС давно забыли про биологический прототип своего направления – другом. По результатам сравнения алгоритм корректрует веса всех нейронов ИНС.

биологические нейроны и нервные системы. Это отразилось в следующем:

Настройка ИНС проводится для каждого примера из обучающей выборки и до тех пор, пока ИНС не начнет распознавать все эти примеры с требуемой точностью. Только a) ИНС в их современном виде мало похожи на биологические нервные системы, после этого ИНС считается готовой к использованию для распознавания реальных на что постоянно указывают нейрофизиологи;





предъявляемых объектов. Настроенная, обученная ИНС способна распознавать b) ИНС решают не те задачи, которые решают биологические нервные системы, предъявляемые ей новые объекты, относя их к одному из классов, распознаванию мозг, а лишь частные искусственные случаи этих задач;

которых ее удалось обучить. Проблемы ИНС состоят в том, что алгоритмы обучения c) формальные нейроны в ИНС работают не так, как биологические нейроны, и весьма трудоемки, и нельзя уверенно утверждать, что при обучении ИНС в конкретном выполняют иные функции;

случае будет достигнут успех, например, в приемлемое время (проблемы обучаемости d) ИНС достигли своих упомянутых выше ограничений и необходим существенный поворот в их развитии.

7 подзадач, решаемых биологической нервной системой. Вместе с тем, мы убеждены, что определение и понимание задачи, решаемой нервной системой и В настоящее время в нейроинформатике все заметнее проявляется смещение акцентов мозгом, как целым, системным образом отразится на понимании функций от поиска более эффективных алгоритмов обучения традиционных ИНС к более отдельного нейрона.

углубленному изучению свойств биологических нервных систем и нейронов, и к Вот этот список недостатков ИНС и пытаются преодолеть авторы настоящего попыткам воспроизведения этих свойств в искусственных нейронных системах. Какие сборника.

же свойства современных ИНС вызывают неудовлетворение Вот основные из них в порядке от микро- к макроописанию.

Так, статья д.ф.-м.н. Б.В. Крыжановского и академика А.Л. Микаэляна (Институт 1. В биологическом нейроне большую роль играют временные задержки, оптико-нейронных технологий РАН) «Биологический алгоритм распознавания сильно например, синаптические. Время в системе управления, на наш взгляд, играет скоррелированных образов» посвящена указанной выше проблеме создания моделей принципиально важную роль, так как оно задает причинно-следственную нейронов, передающих информацию посредством частоты следования выходных последовательность событий. В формальных нейронах временные задержки не импульсов. Именно, авторами проведен анализ распознающей способности нейросети, учитываются.

способной хранить и обрабатывать информацию, закодированную в виде частотно2. Биологический нейрон, по-видимому, может рассматриваться как фазовой модуляции. Информативные сигналы в рассматриваемой сети передаются по самообучаемая система распознавания. Во всяком случае, механизм, межнейронным связям в виде квазимонохроматических импульсов на n разных определяющий рост синапсов, связан, скорее, с локальными условиями в самом частотах. За основу такой сети принят "параметрический" нейрон – обладающий синапсе и в его ближайшем окружении (например, это химический механизм).

кубической нелинейностью элемент, способный к преобразованию и генерации частот Маловероятно, чтобы размерами синапсов управляла бы некая система в процессах параметрического четырехволнового смешения. Показано, что с ростом (учитель), наблюдающая выходы всех миллиардов нейронов и знающая числа несущих частот помехозащищенность рассматриваемой ассоциативной памяти «целевой вектор», как это осуществляется в ИНС.

резко возрастает. Одновременно резко возрастает и объем нейросетевой памяти, 3. Важная информация в выходном сигнале нейрона содержится в частоте которая в n2 раз больше аналогичной величины в стандартной сети Хопфилда. Число генерируемой им последовательности импульсов (спайков). Формальные образов, которые способна сохранять такая нейросеть, может во много раз превышать нейроны не учитывают этого механизма.

число нейронов.

4. По нашему убеждению, нейрон является самообучаемой системой Последующие статьи сборника тесно связаны с разрабатываемым в ИСП РАН методом автоматической классификации входных пространственно-временных сигналов, способной решать три задачи: обнаружить неслучайные пространственно- «автономного адаптивного управления» (ААУ) [П1], его нейроноподобной временные комбинации входных сигналов (образы), если таковые имеются, реализацией, его проблемами и практическими приложениями. Перед сборником не запомнить их, и распознавать эти комбинации в дальнейшем даже в условиях ставилась цель дать полное изложение метода ААУ, но чтобы читателю было легче неполного входного вектора, чем обеспечивается ассоциативность и понимать постановки задач, коротко представим метод ААУ здесь. Метод родился из прогнозирование, необходимые для управления. Современные формальные попыток логически и рационально вывести способ действия нервных систем, нейроны представляют собой только обучаемые с учителем системы отталкиваясь от тех условий, в которых они находятся в природе: наличие априори распознавания.

неизвестных свойств окружающей среды наряду с определенной полученной от 5. Нервная система и мозг имеют сложную неоднородную структуру с ярко предков начальной приспособленностью объекта управления и управляющей системы, выраженными подсистемами, имеющими различное функциональное автономность - необходимость к самообучению, дискретность строения нервной назначение. Напротив, современные ИНС отличаются однородностью и системы,. Мы сочли интересным представить в сборнике статью А.А Жданова., Г.Я.

регулярной структурой, в них не выделяются части, имеющие разное Кантора и А.Б. Эфрона «Логический адаптивный управляющий автомат с конечным функциональное назначение.

Pages:     || 2 | 3 | 4 | 5 |   ...   | 19 |










© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.