архітектури
Нейрокомп'ютер
Процесор
Складний
Високошвидкісний
Один або кілька
Простий
Низькошвидкісний
Велика кількість
Пам'ять
Відокремлена від процесора
Локалізована
Адресація не за змістом
Інтегрована в процесор
Розподілена
Адресація з утримання
Обчислення
Централізовані
Послідовні
Збережені програми
Розподілені
Паралельні
Самонавчання
Надійність
Висока вразливість
Живучість
Спеціалізація
Чисельні й символьні операції
Проблеми сприйняття
середу
функціонування
Строго визначена
Строго обмежена
Без обмежень
1.2 Області застосування нейронних мереж
В
Штучні нейронні мережі в даний час широко використовуються при вирішенні найрізноманітніших завдань і активно застосовуються там, де звичайні алгоритмічні рішення виявляються неефективними або зовсім неможливими. У числі завдань, вирішення яких довіряють штучних нейронних мереж, можна назвати наступні: розпізнавання текстів, системи безпеки і відео-спостереження, автоматизація процесів розпізнавання образів, адаптивне управління, апроксимація функціоналів, прогнозування - і це далеко не все. За допомогою нейромереж можна виконувати розпізнавання оптичних або звукових сигналів. Апаратні реалізації ІНС ідеально підходять для вирішення завдань ідентифікації та управління, оскільки забезпечують, завдяки паралельної структурі, надзвичайно високу швидкість виконання операцій. p> Описані можливості в основному відносяться до шаруватих нейронних мереж, учнем алгоритмом зворотного розповсюдження, і зростаючим нейронних мереж на основі варіантів алгоритму каскадної кореляції. Але існують і інші класи нейронних мереж - нейромережі асоціативної пам'яті, нейромережі для квантування даних, стиснення даних шляхом побудови головних незалежних компонент, нейронні мережі для розділення суміші сигналів і ін Тобто коло завдань, що вирішуються нейронними мережами, дуже і дуже широкий, оскільки широкий і сам набір нейромережевих алгоритмів. br/>
1.3 Класифікація нейронних мереж
Існує широкий спектр досить універсальних способів організації інструментальних коштів і власне процесу застосування нейронних мереж на різній програмно-апаратної базі. Завжди можна підібрати найбільш оптимальний для деякої задачі - все визначається властивостями завдання та вимогами до рішенню.
Однак застосування нейромереж ускладнюється рядом причин. Не можна придумати якусь одну універсальну ІНС, яка б підійшла для різних типів завдань. Нейромережі використовують у двох варіантах:
1) Будується нейромережа, вирішальна певний клас задач,
2) Під кожен примірник завдання будується деяка нейросеть, що знаходить квазі-оптимальне рішення цього завдання. p> Існують кілька видів нейромереж. Їх класифікація представлена ​​на малюнку 1.1
В
Малюнок 1.1 Класифікація ІНС
Найбільш поширеним сімейством мереж прямої дії є багатошарові персептрони, в них нейрони розташовані шарами і з'єднані однонаправленими зв'язками, що йдуть від входу до виходу мережі. Мережі прямого дії є статичними в тому сенсі, що на заданий вхід вони виробляють одну сукупність вихідних значень, що не залежать від попереднього стану мережі. p> Рекурентні мережі є динамічними, тому що в силу зворотних зв'язків у них модифікуються входи нейронів, що призводить до зміни стану мережі. Поведінка рекурентних мереж описується диференціальними або різницевими рівняннями, як правило, першого порядку. Це набагато розширює області застосування нейромереж і способи їх навчання. Мережа організована так, що кожен нейрон отримує вхідну інформацію від інших нейронів, можливо, і від самого себе, і від навколишнього середовища. p> Так ж можна виділити два основних підходи до реалізації нейромереж: цифровий і аналоговий. Перевагою аналогових реалізацій є: висока швидкодія, надійність і економічність. Проте сфера можливого масового використання учнів аналогових нейрочіпів досить вузька. Це обумовлено великою складністю апаратної реалізації високоефективних навчальних алгоритмів і необхідністю спеціальної підготовки потенційних користувачів для оптимальної організації адаптивного процесу. У той же час широке поши...
