Нейроподобный элемент.
Σ f S y x1 x3 x2 .
.
.
xn w1 w3 w2 .
.
.
wn |
Рисунок . Схема строения нейроподобного элемента.
|
Нейроподобный элемент, который обычно используется при моделировании нейронных сетей, приведен на рисунке 2. На нейроподобный элемент поступает набор входных сиг налов x1...хn (или входной вектор  ), представляющий собой выходные сигналы других нейроподобных элементов. Этот входной вектор соответствует сигналам, поступающим в синапсы2 биологиче ских нейронов. Каждый входной сигнал умножается на соответ ствующий вес связи w1…wn – аналог эффективности синапса. Вес связи является скалярной величиной, положительной для возбуждающих и отрицательной для тормозящих связей. Взвешенные весами связей входные сиг налы поступают на блок суммации, соот ветствующий телу клетки, где осущест вляется их алгебраическая суммация и определяется уровень возбуждения нейроподобного элемента S [8]:
Выходной сигнал нейрона у определяется путем пропускания уров ня возбуждения S через нелинейную функцию f:
 ,
где θ — некоторое постоянное смещение (аналог порога нейрона). Обычно используются простейшие нелинейные функции:
В такой модели нейрона пренебрегают многими известными харак теристиками биологического прототипа, которые некоторые исследо ватели считают критическими. Например, в ней не учитывают нелиней ность пространственно-временной суммации, которая особенно про является для сигналов, приходящих по возбуждающим и тормозя щим синапсам, различного рода временные задержки, эффекты син хронизации и частотной модуляции, рефрактерность3 и т. п. Несмотря на это нейроподобные сети, простроенные на основе таких простых нейроподобных элементов, демонстрируют ассоциативные свойства, напоминающие свойства биологических систем. [8]
Нейроподобные сети (НПС)
Что такое искусственные нейронные сети? Что они могут делать? Как они работают? Как их можно использовать? Эти и множество подобных вопросов задают специалисты из разных областей.
Что же такое нейроподобная сеть? Это искусственный аналог биологической сети, по своим параметрам максимально приближающийся к оригиналу. Нейроподобные сети прошли длинный путь становления и развития, от полного отрицания возможности их применения до воплощения во многие сферы деятельности человека.
Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность. [9]
Высокая «естественная» помехоустойчивость и функциональная надежность касаются как искаженных (зашумленных) потоков информации, так и в смысле отказов отдельных процессорных элементов. Этим обеспечиваются высокая оперативность и достоверность обработки информации, а простая дообучаемость и переобучаемость НПС позволяют при изменении внешних факторов своевременно осуществлять переход на новые виды решаемых задач.
Приведенные выше преимущества нейросетевой обработки данных определяют области применения НПС:
обработка и анализ изображений;
распознавание речи независимо от диктора, перевод;
обработка высокоскоростных цифровых потоков;
автоматизированная система быстрого поиска информации;
классификация информации в реальном масштабе времени;
планирование применения сил и средств в больших масштабах;
решение трудоемких задач оптимизации;
адаптивное управление и предсказание.
Основные положения теории деятельности головного мозга и математическая модель нейрона были разработаны У. Маккалоком и Ч. Питтсом в 1943 году и опубликованы в статье «Логическое исчисление идей, относящихся к нервной деятельности», которая была издана на русском языке в сборнике «Автоматы» только спустя 13 лет. Согласно предложенной модели мозг представляет собой ансамбль нейронов, имеющих одинаковую структуру. Каждый нейрон реализует некоторую функцию, называемую пороговой, над входными значениями. Если значение функции превышает определенную величину – порог (что характеризует суммарную значимость полученной нейроном информации), нейрон возбуждается и формирует выходной сигнал для передачи его другим нейронам. Пройдя путь от рецепторов (слуховых, зрительных и других) через нейронные структуры мозга до исполнительных органов, входная информация преобразуется в набор управляющих воздействий, адекватных ситуации [8].
Отдельные нейроны, соединяясь между собой, образуют новое качество, которое, в зависимости от характера межнейронных соединений, имеет различные уровни биологического моделирования:
группа нейронов;
нейронная сеть;
нервная система;
мыслительная деятельность;
мозг.
Другими словами, нейроподобная сеть — это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе. [8] С инженерной точки зрения такая сеть представляет собой сильно распараллеленную динамическую систему с топологией направленного графа, которая может выполнять переработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал.
В настоящее время основными направлениями реализации НПС являются:
программная реализация на цифровых ЭВМ традиционной архитектуры;
программно-аппаратная реализация в виде сопроцессоров к ЭВМ общего назначения;
аппаратная реализация путем создания нейрокомпьютеров на базе нейроплат в виде параллельных нейроподобных структур.
Ранние варианты реализации НПС относятся к первым двум из указанных направлений. Первое направление характеризуется универсальностью, дешевизной и низкой скоростью обучения и функционирования НПС. Для второго направления характерна высокая скорость моделирования функционирования НПС, но при этом существуют серьезные физические ограничения числа моделируемых элементов и связей между ними, а также возможностей обучения и до обучения. По мере развития элементной базы ЭВМ стало возможным самостоятельное развитие третьего направления, которое положило начало индустрии нейрокомпьютеров, представляющих совокупность аппаратных и программных средств для реализации моделей нейронных сетей.
На сегодняшний день известно уже более 200 различных парадигм4 нейронных сетей (не только детерминированных, но и вероятностных), десятки НПС реализованы в специализированных кристаллах и платах, на их основе созданы мощные рабочие станции и даже суперкомпьютеры. Современные технологии достигли того рубежа, когда стало возможным изготовление технической системы из 3…4 млрд. нейронов (именно такое количество их в мозгу человека). Однако их соединение продолжает оставаться проблемой.
|
