Классификация нейронных сетей
В настоящее время существует большое разнообразие моделей нейронных сетей. Их различают по структуре сети (связей между нейронами), особенностям модели нейрона, особенностям обучения сети.
По структуре нейронные сети можно разделить на неполносвязные (или слоистые) и полносвязные, со случайными и регулярными связями, с симметричными и несимметричными связями.
По используемым на входах и выходах сигналам нейронные сети можно разделить на аналоговые и бинарные.
По моделированию времени нейронные сети подразделяются на сети с непрерывным и дискретным временем.
По организации обучения разделяют обучение нейронных сетей с учителем (supervised neural networks) и без учителя (non-supervised).
По способу обучения разделяют обучение по входам и по выходам.
По способу предъявления примеров различают предъявление одиночных примеров и «страницы» примеров.
Топология нейронных сетей
Нейронная сеть представляет собой совокупность нейроподобных элементов, определенным образом соединенных друг с другом и с внешней средой с помощью связей, определяемых весовыми коэффициентами В зависимости от функции, выполняемых нейронами в сети, можно выделить три их типа
входные нейроны,
выходные нейроны,
промежуточные неороны.
С точки зрения топологии можно выделить три основных типа нейронных сетей
полносвязные (рис 3, а),
многослойные или слоистые (рис 3, б),
слабосвязные (с локалъными связями) (рис 3, е)
Достоинства и недостатки нейронных сетей как средства для обработки знаний
Если рассматривать нейронную сеть как способ представления знаний, то в ней хранятся знания об ассоциативных связях между стимулами (входными векторами) и откликами (выходными векторами). Знания хранятся (формируются в процессе обучения) обычно в форме весов связей между нейронами.
Недостатками нейронных сетей в качестве метода представления знаний являются:
• трудности вербализации результатов работы нейронной сети и объяснений, почему она приняла то или иное решение;
• невозможность гарантировать повторяемость и однозначность получения результатов.
Преимущества нейронных сетей для представления и обработки знаний:
• отсутствие необходимости формализации знаний, формализация заменяется обучением на примерах;
• естественное представление и обработка нечетких знаний примерно так, как это осуществляется в естественной интеллектуальной системе - мозге;
• ориентация на параллельную обработку, что при соответствующей аппаратной поддержке обеспечивает возможность работы в реальном времени;
• отказоустойчивость и живучесть при аппаратной реализации нейронной сети;
• возможность обработки многомерных (размерности больше трех) данных и знаний без увеличения трудоемкости (но в этом случае затруднено объяснение результатов, так как человек с трудом воспринимает многомерность).
Более детальное толкование ответа на вопрос смотрите в списке в литературы, приведенной ниже.
Литература
1. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. — СПб.: Питер, 2000,
2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети – М: Изд-во Физико-математической литературы, 2001.
3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.
4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.
5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.