ості один від друга. Даний підхід дозволяє ефективно виділити головні дані. придушивши випадкові шуми і помилки.
o Мережі на основі адаптивної теорії резонансу (ART-мережі) були створені спеціально для вирішення задач класифікації. У них закладено відразу два дихотомически протилежних принципи: по-перше, мережа повинна самомодіфіціроваться у відповідь на кожен вхідний сигнал; по-друге мережа повинна зберігати знання, а значить, бути стабільною. Рішення полягає в знаходженні точки рівноваги між вимогами пластичності і стабільності мережі.
2.4 Переваги і недоліки нейронних мереж
До достоїнств штучних нейронних мереж можна віднести:
§ Можливість вирішення завдань, які не вирішуються ніякими іншими методами;
§ Самонавчання;
§ Отримання результатів в режимі реального часу;
§ «креативність»;
§ Створення нових знань всередині мережі в процесі переробки вхідних даних.
Недоліки штучних нейронних мереж:
§ Порівняльна дорожнеча апаратної реалізації;
§ Труднощі тиражування накопичених знань;
§ Для великих мереж неможливість заздалегідь навіть приблизно оцінити час навчання мережі.
Штучні нейронні мережі добре підходять для вирішення завдань:
§ З великими масивами вхідних даних;
§ З невідомим алгоритмом. Але великою кількістю конкретних прикладів вирішення;
§ З великою кількістю шумів;
§ З недостатністю або, Навпаки, надмірністю даних.
Штучні нейронні мережі можуть ефективно вирішувати завдання розпізнавання зображень, класифікації, оптимізації або прогнозування. Більш конкретно такими завданнями є:
§ Розпізнавання осіб, голосів, відбитків пальців;
§ Виявлення відхилень у ЕКГ;
§ Обробка звукових сигналів (поділ, ідентифікація, локалізація, усунення шуму, інтерпретація);
§ Обробка радарних сигналів (розпізнавання цілей, ідентифікація і локалізація джерел);
§ Перевірка достовірності підписів;
§ Прогнозування змін економічних показників і т. п.
§ Побудова функції по кінцевому набору значень;
§ Побудова відносин на безлічі об'єктів;
§ Розподілений пошук інформації і асоціативна пам'ять;
§ Стиснення інформації, фільтрація, оптимізація;
§ Ідентифікація динамічних систем і керування ними;
§ Нейросетевая реалізація класичних завдань і алгоритмів обчислювальної математики: рішення систем лінійних рівнянь, рішення задач математичної фізики сітковими методами та ін.
Висновок
У даній роботі були розглянуті основні положення і питання сучасного стану та перспектив розвитку нейроінформатікі як науки. У зв'язку з тим, що донині не встановлено конкретне визначення нейроінформатікі, призначення даної науки можна виявити:
А) виділив об'єкт і предмет її вивчення;
Б) визначивши коло специфічних завдань, безпосередньо дозволом яких займається дана наукова область;
В) встановивши основні способи і методи, які застосовні вк вирішенню цих завдань.
Предметом вивчення нейроінформатікі є нейронні мережі - це мережі, які з пов'язаних між собою простих елементів - формальних нейронів. Значна більшість робіт з нейроінформатіке присвячено перенесенню різних алгоритмів розв'язання задач на такі мережі.
Ядром використовуваних уявлень є ідея про те, що нейрони можна моделювати досить простими автоматами, а вся складність мозку, гнучкість його функціонування та інші найважливіші якості визначаються зв'язками між нейронами.
У роботі розглянуто модель нейрона і основні типи штучних нейронів.
Таким чином, поставлені завдання вирішені в ході роботи і мета досягнута.
Список використаної літератури
1. Макарова, Н.В., Волков, В.Б. Інформатика: Підручник для вузів.- СПб .: Питер, 2011. - 576c.
2.Кірсанов, Е. Ю: Нейрокомп'ютери та їх застосування lt; # justify gt; 3. Бобков, С.П. Моделювання систем: навч. посібник/С.П. Бобков, Д.О. Битев; Іван. держ. хім.-технол. ун-т.- Іваново, 2008. - 156 с.
4. Осовский, С. Нейронні мережі для обробки інформації/пер. з польскогоІ.Д.Рудінского.- М .: Фінанс...
