- •1:В чём заключается идея коннективизма?
- •2 И 3:из чего состоит биологический нейрон?
- •4:Классическая модель формального нейрона
- •5:Что такое функция активации?
- •7:Что такое сигмаидальный нейрон?
- •8:Адалайн-нейтрон
- •9:Паде-нейрон
- •10: История развития нейрокопьютера
- •15:Однослойные нейронные сети
- •16:Многослойные нейронные сети Ответ: многослойные искусственные нейронные сети
- •Нелинейная активационная функция
- •17:Сети с обратными связями Ответ: Сети с обратными связями
- •18:Нейроэмулятор
- •19: Нейрочипы: анализ и сравнительные характеристики
- •20: Нейрокомпьютеры, реализованные на базе пцос и плис
- •21:Однослойный персептрон
- •23:Многослойный персептрон
- •Вопрос 25:аглоритм обратного распространения ошибки
- •34 Радиальные сети
- •35:Обучение радиальной сети
- •36: Рекуррентные нейронные сети
- •38: Обучение сети Хопфилда
- •42:Персептронная сеть с обратной связью
- •44,Алгоритмы обучения
- •Алгоритм нейронного газа
- •50:Методы редукции нейронной сети
8:Адалайн-нейтрон
Ответ: Нейрон типа "адалайн"
В нейроне типа "адалайн" (ADAptive LInear Neuron - адаптивный линейный нейрон) адаптивный подбор весовых коэффициентов осуществляется в процессе минимизации квадратичной ошибки, определяемой как
В связи с выполнением условия дифференцируемости целевой функции стало возможным применение алгоритма градиентного обучения. Значения весовых коэффициентов уточняются следующим способом
9:Паде-нейрон
Ответ:Паде-нейрон вычисляет произвольную дробно-линейную функцию вектора . Так же, как и для адаптивного сумматора, числитель и знаменатель можно сделать линейными функциями х :
Паде-нейрон может использоваться как обобщение нейрона типа "адалайн" в тех случаях, когда линейных функций становится недостаточно, в частности, в задачах интерполяции эмпирических зависимостей.В случае Паде-нейрона квадратичная ошибка определяется как
и значения весовых коэффициентов уточняются по следующим формулам
10: История развития нейрокопьютера
Ответ: Термины нейрокибернетика, нейроинформатика, нейрокомпьютеры вошли в научный обиход недавно — в середине 80-х годов XX века. Однако электронный и биологический мозг постоянно сравнивались на протяжении всей истории существования вычислительной техники. Знаменитая книга Н. Винера «Кибернетика» (1948)[2] имеет подзаголовок «Управление и связь в животном и машине».Первыми нейрокомпьютерами были перцептроны Розенблатта Марк-1 (1958) и Тобермори (1964), а также Адалин, разработанный Уидроу (Widrow) и Хоффом (1960) на основе дельта-правила (формулы Уидроу)[3]. В настоящее время Адалин (адаптивный сумматор, обучающийся по формуле Уидроу) является стандартным элементом многих систем обработки сигналов и связи.[4] В этом же ряду первых нейрокомпьютеров находится программа «Кора», разработанная в 1961 году под руководством М. М. Бонгарда[5].
Большую роль в развитии нейрокомпьютинга сыграла монография Розенблатта (1958)[6].
Идея нейро-бионики (создания технических средств на нейро-принципах) стала интенсивно реализовываться в начале 1980-х гг. Импульсом было следующее противоречие: размеры элементарных деталей компьютеров сравнялись с размерами элементарных «преобразователей информации» в нервной системе, было достигнуто быстродействие отдельных электронных элементов в миллионы раз большее, чем у биологических систем, а эффективность решения задач, особенно связанных задач ориентировки и принятия решений в естественной среде, у живых систем пока недостижимо выше.
Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).
11-14
Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д.
Нейрокомпьютеры отличаются от ЭВМ предыдущихи поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи.
Обучение - корректировка весов связей, в результате которой каждое входное воздействие приводит к формированию соответствующего выходного сигнала. После обучения сеть может применять полученные навыки к новым входным сигналам. При переходе от программирования к обучению повышается эффективность решения интеллектуальных задач.
Вычисления в нейронных сетях существенно отличаются от традиционных, в силу высокой параллеленности их можно рассматривать как коллективное явление. В нейронной сети нет локальных областей, в которых запоминается конкретная информация. Вся информация запоминается во всей сети.
Отличия нейрокомпьютеров от вычислительных устройств предыдущих поколений:
-
параллельная работа очень большого числа простых вычислительных устройств обеспечивает огромное быстродействие;
-
нейронная сеть способна к обучению, которое осуществляется путем настройки параметров сети;
-
высокая помехо- и отказоустойчивость нейронных сетей;
-
простое строение отдельных нейронов позволяет использовать новые физические принципы обработки информации для аппаратных реализаций нейронных сетей.
Нейронные сети находят свое применение в системах распознавания образов, обработки сигналов, предсказания и диагностики, в робототехнических и бортовых системах. Нейронные сети обеспечивают решение сложных задач за времена порядка времен срабатывания цепочек электронных и/или оптических элементов. Решение слабо зависит от неисправности отдельного нейрона. Это делает их привлекательными для использования в бортовых интеллектуальных системах.
Разработки в области нейрокомпьютеров поддерживаются целым рядом международных и национальных программ. В настоящее время эксплуатируется не менее 50 нейросистем в самых различных областях - от финансовых прогнозов до экспертизы.
Разработки в области нейрокомпьютинга ведутся по следующим направлениям:
-
разработка нейроалгоритмов;
-
создание специализированного программного обеспечения для моделирования нейронных сетей;
-
разработка специализированных процессорных плат для имитации нейросетей;
-
электронные реализации нейронных сетей;
-
оптоэлектронные реализации нейронных сетей.
В настоящее время наиболее массовым направлением нейрокомпьютинга является моделирование нейронных сетей на обычных компьютерах, прежде всего персональных. Моделирование сетей выполняется для их научного исследования, для решения практических задач, а также при определении значений параметров электронных и оптоэлектронных нейрокомпьютеров