4. Wta (победитель получает все).
Эта модель конкурентной борьбы нейронов. Его идея: выходной сигнал формируется не на основе суммы сигналов, а по результатам самого сильного сигнала (если сигнал преодолел порог, то он существует).
Одновременно нейроны WTA по аналогии с адалайном могут быть сформированы в группы конкурирующих между собой нейронов.
на входе сигналы делятся одинаково на все нейроны, дальше сигналы от всех нейронов сравниваются и на выходе один сигнал – победитель.
Т.о. появляются три типа WTA:
1) внутренняя конкуренция между входными сигналами
2) внешняя конкуренция между нейронами. Сигнал передается от выигравшего нейрона.
3) используется и внутренняя и внешняя конкуренция.
5. Нейроны Хебба.
Хебб долго изучал реальные нейроны нервных клеток, он изучал механизмы самосагласования клеток.
Варианты:
1) одна клетка подавляет другую (отрицательное действие).
2) одна клетка содействует возбуждению другой клетки (положительное действие).
3) клетки помогают друг другу (когда ни одна клетка не возбуждается отдельно, а вместе у них получается).
Хебб сделал вывод:
изменение
весов должно быть пропорционально
произведению сигналов на 2-х моделях,
т.е. 
~
.
Если – 
,
то сигнал отриц-й и они друг друга гасят.
Если +
,
то сигналы помогают др другу.
Вывод наз. правилом Хебба. Нейроны и нейронные сети, которые подчиняются правилу Хебба, называются Хеббовскими.Как и у Гроссберга правило Хебба дает возможность создать обучение, т.е. обучение по Хеббу. Хеббовскими наз нейроны, веса которых подбираются по правилу Хебба.
6. Стохастическая модель.
Это вероятностная модель. В данной модели рез-ты на выходе зависит не только от входящей информации, как во всех др моделях, но и от некой случ-й составляющей, случайности событий.
Сущ-ет неск-ко вар-тов введения в модель этой составляющей.
1. выход делают случайным, т.е. сигнал либо проходит либо запирается.
2. в модели
сигнаидального нейрона может случайно
меняться параметр 
,
а в модели персептрона меняют 
.
3. в модели может случайно отключаться (или вкл-ся) один их входов.
Замечание. В
настоящее время во многих моделях
нейрона вводятся понятия «активности»
и «усталости». Передав сигнал (особенно
в условиях конкуренции, WTA),
нейрон отдыхает (становится неактивным),
чтобы позже проявить активность 
ввели параметр усталости: чем > сигнал
на выходе, тем сильнее усталость. Т.о. у
нейрона формируются фазы активности и
усталости. Особенно важны эти фазы, где
введено в модели нейронных сетей
отмирание.
Виды нейронных сетей (НС):
НС образ-ся
путемсоед-я однородных нейронов, т.е.
нейронов одной модели, следоват-но, 
сети, например, персептронные, WTA,
Гроссберга и т.д.
По построению сети делят на:
1)однослойные (нейроны образуют 1 слой);
2) 2-хслойные (когда выходы из одной сети- это входы для второй).
Двухслойные сети делятся на сети без обратной связи и сети с обратной связью.
3) многослойные сети (есть входной слой, выходной слой, 1 или неск-ко внутр. слоев).
Также посторение сети идет:
1) линейное соединение (слой за слоем);
2) рекуррентное (есть обратная связь между вх. и вых. слоем);
3) радиальная сеть (слои образуют окружность).
Особое место в НС заняли реккурентные сети (с обратной связью): обратная связь бывает положит-ая (делает систему неустойчивой, т.к. усиливает отклонение от равновесия) и отрицат-ая (делает систему более устойчивой, ее очень трудно отвести от равновесия). реккурентная сеть с режимом обратной связи была использована для разработки спец. памяти, которая наз. BAM (… assotiation memory)- ассоциативная память, хар-на тем, что запоминает знания, а не данные (например, в рисунках, фотках).
Особые виды НС:
1. Сеть с самоорганизацией (WTA сети, …), когда в сети ярко выражена саморг-ция: периоды отдыха и активизации, конкуренция групп и отмирание нейронов. (самоорг-ция за счет обратной связи сюда не входит). Кохонен придумал правила самоорганизации, конкуренции, самообучения в НС.
2. Корреляционные сети (сети Хебба) – это самоорг-щаяся сеть, но на основе правил Хебба. Делятся на 2 категории: PCA (компонентный анализ) и ICA (анализ независимых компонент).
Нечеткие (случ-е) сети - используют нечеткую логику. Прохождение сигнала через случ-й нейрон опр-ся не только уровнем сигнала, но и случ. величиной. Если случ-е нейр-ы объед-ся в сети, то образ-ся очень сложная случ-ая система, которая наз. случайными сетями. Здесь есть алгоритмы самоорг-ции, но особого вида.