23. Алгоритм формирования поля знаний.

шаг: Определение входных и выходных данных. Их структура существенно влияет на форму и содержание поля знаний.
Составление словаря терминов и набора ключевых слов.
Выявление объектов, понятий и их свойств.
Выявление связей между понятиями.
Выявление метапонятий (более общих) и детализация понятий.
Построение пирамиды знаний.
Определение отношений.
Определение стратегий принятия решений.

Уровни реализации моделей нейронных сетей (нс). Нейрокомпьютер. Сравнение архитектуры фон Неймана и архитектуры нейрокомпьютера.

Под нейронными сетями подразумевают вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого головного мозга.

Уровни реализации моделей нейронных сетей.

В зависимости от способа реализации моделей нейронных сетей выделяют 4 уровня:

1 уровень – теоретический

2 – программный

3 – программно-аппаратный

4 – аппаратный

Теоретический. Работы, в которых в той или иной форме (математической, алгоритмической, словесной и т.д.) представлено описание моделей нейронных сетей.

Программный. Модели нейронных сетей, программно реализованные на обычных последовательных компьютерах.

Программно-аппаратный. Сопроцессоры для ускорения моделирования нейронных сетей.

Аппаратный. Физически реализованные модели нейронных сетей.

Нейрокомпьютер – программно-техническая система, которая реализует некоторую формальную модель естественной нейронной сети.

Сравнение архитектур традиционного компьютера (Фон-Неймана) и нейрокомпьютера.

Категория сравнения	Традиционный компьютер (архитектура Фон-неймана)	Нейрокомпьютер
Процессор	1-2-4- (много) сложный, высокоскоростной	Большое число нейронов Простой, низкоскоростной
Память	(отдельно взятый блок) отдельно от процессора, локализована, адресация по содержанию	Интеграция в процессор; распределенная, адресация по содержанию
Организация вычислений	Последовательные; Централизованные; Хранимые в памяти программы	Параллельные; Распределённые; Самообучение
Специализация	Численные и символьные операции	Проблемы восприятия
Среда функционирования	Строго определенна и строго ограничена	Плохо определена; Без ограничений
Надёжность	Высокая уязвимость	Высокая степень надёжности; Большая живучесть

Структура и свойства искусственного нейрона.

Искусственный нейрон имитирует свойства биологического нейрона.

Множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы нейрона. Каждый сигнал умножается на соответствующий вес синапса w1, w2,..., wn, и поступает на суммирующий блок. Каждый вес соответствует "силе" одной синаптической связи. Множество весов в совокупности обозначается вектором W. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона.

Входной сигнал: х={х1, х2,…xn}

b – смещение

w = {w1, w2,…wn} – синаптические веса

Y – выходной сигнал

Преобразователи:

∑ - сумматор (все входы синаптических весов суммируются)

Математическая модель нейрона:

f – функция активации

Y = f(S) (значение аксона нейрона, выходной сигнал нейрона)

где wi, - вес синапса, i = 1...n; b - значение смещения; s - результат суммирования; xi - компонент входного вектора (входной сигнал), xi = 1... n ; у - выходной сигнал нейрона; n - число входов нейрона; f - нелинейное преобразование (функция активации).

Синаптические веса:

Синаптические связи с положительными весами wi>0 называют возбуждающими, с отрицательными весами wi<0 - тормозящими.

Функция активации:

пороговая