Основы нейросетевых технологий. Нейрокомпьютеры.
Нейронные сети – это математические модели, а так же их программные и аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей. Это понятие возникло при попытке смоделировать процессы, протекающие в мозге. Эти технологии используют в задачах прогнозирования (будущее значение некоторой последовательности), управления (принятие решений на основе входных и выходных данных) и распознавания образов (текст, изображения, звуки). Нейронные сети представляют собой систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры гораздо проще процессоров, используемых в компьютерах. Каждый процессор принимает и посылает сигналы другим процессорам. Будучи соединенными в большую сеть, такие процессоры могут выполнять сложные задачи. Нейронные сети учатся на примерах. Возможность обучения – это одно из главных преимуществ нейронных сетей над традиционными алгоритмами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а так выполнять обобщение.
Нейрокомпьютер – это компьютер, созданный на основе нейронных сетей. Отличительной особенностью является быстродействие, устойчивость и надежность.
Нейрокибернетическое направление – было основано на построении самоорганизующихся систем, состоящих из множества элементов, функционально подобных нейронам головного мозга. Это направление началось с концепции формального нейрона Мак-Каллока-Питтса и исследований Розенблатта с различными моделями перцептрона – системы, обучающейся распознаванию образов. В связи с относительными успехами в логическом направлении ИИ и низким технологическом уровнем в микроэлектронике нейрокибернетическое направление было почти забыто с конца 60-х годов до начала 80-х, когда появились новые удачные теоретические модели (например, "модель Хопфилда") и сверхбольшие интегральные схемы.
Нейрокибернетическое направление можно рассматривать как моделирование мышления на подсознательном уровне (моделирование интуиции, творческого воображения, инсайта). Его достоинства – это отсутствие недостатков, свойственных логическому направлению, а недостатки – отсутствие его достоинств. Кроме того, в нейрокибернетическом направлении привлекает возможность (быть может, иллюзорная), задав базовые весьма простые алгоритмы адаптации и особенности структуры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети.
Еще одним достоинством в случае аппаратной реализации нейронной сети является ее живучесть, т.е. способность сохранять приемлемую эффективность решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации.