айбільш близька до знову надійшов образу. Часта область застосування - розпізнавання завчених образів.
Рекурентні мережі на базі персептрона.
Представляють собою розвиток односпрямованих мереж персептронного типу за рахунок додавання в них відповідних зворотних зв'язків. Використовуються для моделювання динамічних процесів, обробки та розпізнавання сигналів.
Мережі з самоорганізацією на основі конкуренції.
При навчанні використовується метод навчання без учителя, тобто результат навчання залежить тільки від структури вхідних даних. Нейронні мережі даного типу часто застосовуються для вирішення найрізноманітніших завдань, від відновлення пропусків у даних до аналізу даних і пошуку закономірностей, наприклад, у фінансовій завданню. Зокрема можуть використовуватися прогнозування.
Мережі з самоорганізацією кореляційного типу.
У процесі навчання використовується інформація про залежності між сигналами і виявляються значущі кореляційні залежності між ними, з підстроюванням під них шляхом адаптації значень синаптичних ваг. Застосовуються для сепарації сигналів, аналізу головних компонентів PCA (англ.: Principal Component Analysis), аналізу незалежних компонентів ICA (англ.: Independent Component Analysis), згладжування і т.п.
Нечіткі нейронні мережі.
Характерною особливістю цих мереж є можливість використання нечітких правил виводу для розрахунку вихідного сигналу. У порівнянні з традиційними рішеннями нечіткі нейронні мережі демонструють якості, пов'язані з їх здатністю гладкою апроксимації порогових функцій.
3.1.4 Загальний опис досліджуваних нейронних мереж
Одношарові мережі. Персептрон
Відповідно до [4] персептрон являє собою модель навченою системи, що розпізнає. Він містить матрицю світлочутливих елементів (S-елементи), асоціативні елементи (А-елементи) і реагують елементи (R-елементи). По суті персептрон складається з одного шару штучних нейронів, з'єднаних за допомогою вагових коефіцієнтів з безліччю входів.
В 60 ті роки персептрони викликали великий інтерес. Розенблатт [4] довів теорему про навчання персептрона і тим самим показав, що персептрон здатний навчитися всьому, що він здатний представляти. Уїдроу [5-7] дав ряд переконливих демонстрацій систем персептронного типу. Дослідження можливості цих систем показали, що персептрони не здатні навчитися ряду простих завдань. Мінський [8] строго проаналізував цю проблему і показав, що є жорсткі обмеження на те, що можуть виконувати одношарові персептрони, і, отже, на те, чого вони можуть навчатися.
Один з найбільш песимістичних результатів Мінського показує, що одношаровий персептрон не може відтворити таку просту функцію як ВИКЛЮЧАЄ АБО . Це - функція від двох аргументів, кожен з яких може бути нулем або одиницею. Вона приймає значення одиниці, коли один з аргументів дорівнює одиниці (але не обидва). Якщо проблему представити за допомогою одношарової однонейронной системи, то легко бачити, що при будь-яких значеннях ваг і порогів неможливо розташувати пряму лінію, що розділяє площину (простір образів) так, щоб реалізовувалася функція ВИКЛЮЧАЄ АБО. Є великий клас функцій (по...
