ків. Ці дві системи явно різняться в кожній своїй частині. Вони оптимізовані для вирішення різних типів проблем, мають суттєві відмінності в структурі і їх робота оцінюється різними критеріями.
Розвиток штучних нейронних мереж надихається біологією. Структура штучних нейронних мереж була змодельована як результат вивчення людського мозку. Штучні нейронні мережі надзвичайно різноманітні за своїм конфігурацій, функціональності і цільовим призначенням. Розглядаючи мережеві конфігурації і алгоритми, дослідники мислять їх в термінах організації мозкової діяльності, але на цьому аналогія може і закінчитися. Подібність між ними дуже незначно, проте, навіть ця скромна емуляція мозку дає відчутні результати.
Наприклад, штучні нейронні мережі мають такі аналогічні мозку властивості, як здатність навчатися на досвіді, заснованому на знаннях, робити абстрактні умовиводи і робити помилки, що є більш характерним для людської думки, ніж для створених людиною комп'ютерів. Розробникам мереж доводиться виходити за межі сучасних біологічних знань в пошуках структур, здатних виконувати корисні функції. У багатьох випадках це призводить до необхідності відмови від біологічної правдоподібності, мозок стає просто метафорою, і створюються мережі, неможливі в живої матерії або потребуючі неправдоподібно великих допущень про анатомію і функціонуванні мозку.
В даний час виникли і залишаються дві взаємно збагачують один одного мети нейронного моделювання: перша - зрозуміти функціонування нервової системи людини на рівні фізіології і психології і друга - створити обчислювальні системи (штучні нейронні мережі), що виконують функції, подібні з функціями мозку. Нейрони можна моделювати досить простими автоматами, а вся складність мозку, гнучкість його функціонування та інші найважливіші якості визначаються зв'язками між нейронами.
Кожен зв'язок представляється як простий елемент, службовець для передачі сигналу і чи йоголінійного посилення або ослаблення.
Існує великий клас задач: нейронні системи асоціативної пам'яті, статистичної обробки, фільтрації та інші, для яких зв'язки формуються за певними формулами, при цьому навчання нейронних мереж виявилося здійсненним при моделюванні задач на звичайних персональних комп'ютерах.
. 6 Штучні нейронні мережі
Сьогодні, як і сто років тому, безсумнівно, що мозок працює більш ефективно і принципово іншим чином, ніж будь-яка обчислювальна машина, створена людиною. Саме цей факт протягом стількох років спонукає і направляє роботи вчених усього світу по створенню і дослідженню штучних нейронних мереж (ІНС).
До перших спроб розкрити секрет високої ефективності мозку можна віднести роботу Рамон-і-Кахаля (1911), в якій була висловлена ??ідея про нейрон як структурної одиниці мозку. Однак нейрон має на 5-6 порядків меншу швидкість спрацьовування, ніж напівпровідниковий логічний елемент. Як показали пізніші дослідження, секрет високої продуктивності мозку полягає у величезній кількості нейронів і масивних взаємозв'язках між ними.
Мережа нейронів, що утворює людський мозок, являє собою високоефективну, комплексну, нелінійну, істотно паралельну систему обробки інформації. Вона здатна організувати свої нейрони таким чином, щоб реалізувати сприйняття образу, його розпізнання або управління рухом, у багато разів швидше, ніж ці завдання будуть вирішені найсучаснішими комп'ютерами.
ІНС є спрощеною моделлю мозку. Вона будується на основі штучних нейронів, які володіють тим же основною властивістю, що і живі: пластичністю. Використання структури мозку і пластичності нейронів робить ІНС універсальною системою обробки інформації. У загальному випадку ІНС - це машина, що моделює спосіб роботи мозку. Зазвичай ІНС реалізуються у вигляді електронних пристроїв чи комп'ютерних програм. Серед багатьох можна виділити визначення ІНС як адаптивної машини, дане в: штучна нейронна мережа - це істотно паралельно розподілений процесор, який володіє природною схильністю до збереження досвідченого знання і можливістю надання його нам. Вона схожа з мозком у двох аспектах: знання здобувається мережею в процесі навчання, для збереження знання використовуються сили міжнейронних сполук, звані також синаптическими вагами.
Процедура, використовувана для здійснення процесу навчання, називається алгоритмом навчання. Її функція полягає в модифікації синаптичних ваг ІНС певним чином так, щоб вона набула необхідні властивості.
Модифікація ваг є традиційним способом навчання ІНС. Такий підхід близький до теорії адаптивних лінійних фільтрів, які вже давно і успішно застосовуються в управлінні. Однак для ІНС існує ще і можливість модифікації власної топології, яка грунтується на тому факті, що в живому м...
