ТСвИС / архитектура вычислительных систем. arebook

32

функциях с большим числом независимых переменных. В определенной мере таким требованиям отвечают генетические алгоритмы.

При обучении нейронной сети путем ее самоорганизации (без супервизора) в качестве обучающей выборки используются только входные образы. При этом, для адаптации (коррекции) параметров сети используются некоторые правила (эвристики), оперирующие состояниями нейронов, вызываемыми теми или иными предъявляемыми образами.

Отсутствие единого формального метода и существование множества различных процедур обучения конкретных типов нейронных сетей требует организации их в виде библиотеки процедур обучения.

Следующая необходимая компонента нейрокомпьютера объединяет в себе средства формирования обучающей выборки.

На нее возлагаются функции восприятия, обработки и приведения к необходимому формату, доступному для нейронной сети, информации, используемой для ее обучения. Очевидно, это должен быть модуль, включающий некоторую инвариантную часть, реализующую последовательную подачу на входы нейронной сети обучающих примеров в требуемом формате, и способный использовать встраиваемые процедуры, выполняющие специфические для данной задачи преобразования обучающей информации.

Важной компонентой нейрокомпьютера является

интерпретатор выходных сигналов сети. Его назначение – привести внутренний формат выходных результатов сети к виду, воспринимаемому пользователем и допускающему возможность формальной оценки степени их отклонения от желаемых при работе механизма обучения. Такие оценки могут формироваться различным образом. Они выполняют роль критериев, по которым подбираются (корректируются) значения настраиваемых параметров нейронной сети (веса синаптических связей, пороги активационных функций). Для придания гибкости системе в

33

плане обеспечения возможности оперативной перестройки с одного критерия на другой данная функция (функция оценки) должна быть выделена в отдельный модуль формирования критерия обучения. На данный модуль может быть возложена также функция отслеживания и наглядного представления пользователю (или супервизору) динамики изменения критерия обучения.

Способность механизма обучения рационально использовать имеющиеся в его распоряжении средства, включая библиотеку процедур обучения, во многом определяется наличием в архитектуре нейрокомпьютера модуля

интеллектуальной поддержки процесса обучения. Концептуально он может быть организован как система, основанная на знаниях. Назначение такой системы – отслеживать состояние процесса обучения и вырабатывать рекомендации по коррекции сценария обучения, смене критериев оценки, декомпозиции варьируемых переменных с учетом функций чувствительности, структурному изменению нейронной сети при вырождении (приближении к нулю) значений синаптических весов, коррекции активационных функций нейронов при попадании их в состояние насыщения и т.п. Знания, используемые системой для выполнения этих функций, могут быть представлены в виде набора продукционных правил, иерархических фреймовых структур или семантических сетей. Не исключено применение обученных нейронных сетей для выполнения функций хранения и интерпретации знаний.

Эффективность нейрокомпьютера, включающего рассмотренные выше компоненты, во многом зависит от его реализации.

В принципе возможна программная реализация (эмуляция) рассмотренной архитектуры нейрокомпьютера в среде универсальной фоннеймановской вычислительной системы. Однако, не для всех задач такой вариант обеспечит необходимый эффект. Поэтому его придерживаются в основном при создании специализированных нейропакетов, ориентированных на

34

определенные классы задач. Информацию по некоторым из них можно получить, обратившись к источнику [11].

Более эффективный подход предполагает создание нейроплат для решения задач определенной прикладной направленности. Эти платы включаются в состав универсальных цифровых компьютеров на правах сопроцессоров. Таких встроенных плат в составе компьютера может быть несколько. Возможно сочетание цифрового хост-компьютера с дополнительным блоком, включающим набор нейроплат, или нескольких хост-компьютеров с дополнительной стойкой, содержащей несколько блоков нейроплат.

Нейроплаты, реализующие выполнение нейросетевых алгоритмов, отличаются друг от друга своей архитектурой и используемой элементной базой. Основным элементом нейроплаты является нейрочип, реализующий нейронную сеть определенной архитектуры. Он может быть цифровым или аналоговым. Цифровой нейрочип можно реализовать в виде заказной СБИС. Но гораздо дешевле это сделать на базе СБИС ПЛ или БМК.

Аналоговый нейрочип, в отличие от цифрового, позволяет добиться максимального быстродействия, ибо реализует существенный параллелизм, свойственный аналоговому принципу вычислений.