ПОИСК Статьи Рисунки Таблицы Различия фон-неймановской и нейросемантической (НСС) парадигм из "Куда идешь, Человек Основы эволюциологии Информационный подход" Нейросетевые технологии - это алгоритмы, имитирующие деятельность биологического мозга искусственными структурами из формальных нейронов. Так же, как и человек решает различные задачи на основе накопленных ранее знаний, нейросеть способна, обучившись на нескольких примерах, строить структуры нейронов, способные принимать решения, классифицировать и делать прогнозы. [c.212] что может быть описано в виде логических схем, может быть воспроизведено с помощью формальных нейронов. [c.213] Эта теорема, как и для универсальных ЭВМ, открывает принципиально неограниченные возможностями перед сетями из формальных нейронов, которые в программно-аппаратной реализации дали жизнь новому направлению в вычислительной технике - нейрокомпьютингу. Основная привлекательная идея нейрокомпьютинга заключается в простом методе его настройки на решение конкретных задач. [c.213] Обучение. Предъявляются данные некоторой задачи и анализируется полученное решение (пусть даже случайным образом). Если решение неудовлетворительно, то связи, приведшие к такому решению, уменьшают величину своей проводимости, и наоборот. Это очень удобный механизм настройки нейронных сетей, что научиться работать с ним можно, не разу не взяв в р)тси инструкцию. [c.213] Сегодняшний рынок нейронных сетей (МС) постоянно пополняется новыми моделями. Одни нейронные Сети хорошо обучаются, но не слишком хорошо обобщают. Другие, наоборот, обучаются медленнее, зато обобщают лучше, выбор и практическая адаптация нейронных сетей - это кропотливый профессиональный труд. [c.213] Типичная модель нейронной сети состоит из трех слоев нейронов. Каждый из нейронов соединен со всеми нейронами соседних слоев. Связи имеют весовые коэффициенты и служат для передачи сигналов от нейрона к нейрону. [c.213] Входные данные подаются на первый слой сети, который называется терминальным слоем. Эти данные, скорректированные в виде суммы взвешенных значений, передаются на второй, скрытый, слой нейросети. Скрытый слой, в свою очередь передает значения на третий слой, выходной слой, который показывает результаты нейросети (прогноз или классификацию). [c.213] Нейронная сеть обучается за счет корректировки весовых коэффициентов связей между нейронами. Основное достоинство нейросетей, в том, что они способны обобщать информацию и давать прогнозы на никогда не виденную ранее информацию. [c.213] Принципы современного нейрокомпьютинга успещно использовались человеком уже с незапамятных времен. Если вспомнить эпоху становления нащего техногенного общества, совсем недавнее прошлое, то очень частый прием многих техно-кинокомедий , в котором после резкого и непредсказуемого (неконтролируемого) воздействия ударом ногой или рукой одного из героев, мащина или прибор вдруг неожиданно начинали хорошо работать и, часто даже, в неожиданно хороших режимах. Т.е. весь принцип - не раздумывая долго встряхнуть ИС и она сама может быть улучшит свои характеристики. Исключительно легкий пользовательский интерфейс. [c.214] Размерность векторов входных и выходных образов соответственно пит. Число формальных нейронов N0 (размерность его состояний) - Ь. [c.214] В основе механизма настройки N0 (выдавать определенные значения векторов Рт на некоторое заданное подмножество векторов входных образов - 8п) лежит чисто случайный процесс - О. В результате действия этого процесса на КС мы получаем некоторое состояние КС, при котором поданный на вход КС вектор 8п даст на выходе вектор - Рт и это будет оценено учителем (в процессе диалога или априорно уже заложено в конструкцию) оценкой Е), имеющей несколько градаций (например, от О до 1). [c.215] Рассматривая ресурсы и механизмы, которыми сегодня располагает учитель , для сегодняшней случайной парадигмы можно получить оценку потенциальных возможностей нейрокомпьютера. [c.216] Формальный нейрон - устройство, имеющее два выходных состояния (О и 1), которые определяются состояниями его входов и ограниченным состоянием его памяти. Количество возможных состояний N0 можно оценить как 2 . [c.216] Количество возможных состояний выхода N0 можно оценить как 2 . [c.216] Количество же возможных состояний вектора входа КС, определяется реальными физическими законами и, естественно, существенно меньше ее, теоретически возможной, случайной оценки. [c.216] Анализируя работу практических информационных систем, построенных на базе случайной парадигмы КС, можно отметить, что их рабочие размерности измеряются в 5 20 состояний, что вполне удовлетворяет ограничению (П2А. 1). [c.216] Другое следствие из (П2А.1) заключается в том, что, исходя из ограниченности т, Ь для КС также может быть невелико, что и наблюдается практически. [c.216] Резюмируя, можно сказать, что идея стохастической настройки КС и использование в качестве отправной точки состояние КС как некоторой гомогонезированной структуры и приводит к принципиальному ограничению (П2А.1). [c.216] Первые следствия из рассуждений, основанных на принципах функционирования N0 и соответственно требования к будущему нейрокомпьютеру выявляют его принципиальное различие от НСС. [c.217] Последнее замечание характеризует бесплодность попыток нахождения функциональных зависимостей в реальных данных. Как поясняющий пример можно привести следующую аналогию. Допустим, зная ряд изменений суточной температуры воздуха попытаться дать прогноз о суточной температуре на ближайшие дни. Понятно, что глядя только на данные о предыдущих значениях температуры удовлетворительного прогноза (более 75-80%) получить не удастся, так как множество взаимосвязанных процессов определяет значение суточной температуры, и ее значения - это лишь проекции на ней множества реальных процессов. С другой стороны, используя знания развития атмосферных явлений в различных точках земного шара можно дать краткосрочный прогноз суточной температуры уже с точностью до 95-99% и удовлетворительный долгосрочный. Для этого мы просто рассмотрели причинно связанные, события в глобальной синхронизованной климатической модели. Аналогично, рассматривая изменения курса валют, не только как временной ряд из предыдущих значений курса валют, но и во всей причинно-следственной совокупности взаимосвязанных процессов можно получить точности прогноза намного выше, чем мы имеем сейчас. Известно, что в современном мире финансов дневной оборот валютного рынка превышает 1 триллион долларов и соответственно, улучшение качества прогноза только на 1% может принести значительную прибыль. [c.217] Вернуться к основной статье