Cтраница 1
Нейрокомпьютер, функционирующий в СОК, обладает возможностью осуществления реконфигурации своей структуры при отказах отдельных рабочих или контрольных каналов. [1]
Нейрокомпьютер, функционирующий в СОК, состоит из k рабочих каналов и г контрольных каналов. При отказе рабочих каналов они могут быть заменены контрольными и наоборот. Предъявленное к нейрокомпьютеру требование по обеспечению гарантированной защиты от выдачи недостоверного результата обуславливает необходимость сохранения в работоспособном состоянии km-in рабочих и хотя бы одного контрольного канала. [2]
Нейрокомпьютер, функционирующий в СОК, состоит из k рабочих ( основных) и г контрольных ( избыточных) каналов. При отказе рабочих каналов они могут быть заменены контрольными и наоборот. [3]
Нейрокомпьютеры попадают а - заголовки гал гп. [4]
Нейрокомпьютеры и являются теми системами, которые должны реализовать возможности, заложенные в правом полушарии мозга. [5]
Нейрокомпьютеры, как мы видим, вовсе не призваны заменить существующие традиционные вычислительные машины. Они лишь восполняют те возможности, для которых не удается построить формальных алгоритмических схем. [6]
Нейрокомпьютеры и их программные эмуляторы, естественно, интересны не сами по себе, а как инструмент решения практических задач. [7]
Первый экспериментальный нейрокомпьютер Snark был построен Марвином Минским в 1951 году. Персептрон был впервые смоделирован на универсальной ЭВМ IBM-704 в 1958 году, причем его обучение требовало около получаса машинного времени. Аппаратный вариант - Mark I Perceptron, был построен в 1960 году и предназначался для распознавания зрительных образов. Его рецепторное поле состояло из 400 пикселей ( матрица фотоприемников 20x20), и он успешно справлялся с решением ряда задач - мог различать некоторые буквы. Однако по причинам, которые станут понятны по мере знакомства с теорией нейросетей, возможности первых персептронов были весьма ограничены. Позднее, в 1969 году Минский в соавторстве с Пейпертом дает математическое обоснование принципиальной, как им казалось, ограниченности персептронов ( Minsky and Papert, 1969), что послужило началом охлаждения научных кругов к нейрокомпьютингу. Исследования в этом направлении были свернуты вплоть до 1983 года, когда они, наконец, получили финансирование от Агентства Перспективных Военных Исследований США, DARPA. [8]
Поскольку нейрокомпьютеры и нейронные сети относятся к шестому поколению компьютеров, то и нейросетевые УС естественно выделить в отдельный класс УС, относящихся к четвертому поколению по используемому в них принципу нейроуправления. [9]
В нейрокомпьютере с постепенной деградацией оставшиеся исправные каналы используются для обработки данных. При отказах каналов осуществляется реконфигурация структуры нейрокомпьютера для исключения всех или части отказавших каналов. При этом производится новое распределение между работоспособными каналами тех данных, которые нейрокомпьютер в состоянии обработать. [10]
Практически все действующие нейрокомпьютеры используют традиционную элементную базу: микроэлектронные СБИС. Сотни миллиардов долларов, уже вложенные в развитие этой технологии, дают ей решающее преимущество перед другими альтернативами, такими, как оптические вычисления. [11]
Оптимальная структура нейрокомпьютера, функционирующего в СОК, в этом случае может рассматриваться как структура, при которой обеспечивается максимальное значение функциональной мощности, реализуемой в течение периодов перераспределения данных при отказе части каналов с некоторыми ограничивающими условиями. [12]
Качество работы нейрокомпьютера, функционирующего в СОК, характеризуется значениями многих параметров. [13]
Реконфигурация структуры нейрокомпьютера, функционирующего в СОК, осуществляется за счет использования свойства нейросе-тевого алгоритма, заключающегося в способности адаптироваться к изменяющимся условиям, сохраняя устойчивое качество функционирования. [14]
Способность структуры нейрокомпьютера быть устойчивой к дефектам аппаратуры и программ обеспечивает возможность работы комплекса в режиме постепенной деградации. Указанное свойство обеспечивает высокую живучесть системы и является одним из основных факторов, на которых базируется разработка способов построения отказоустойчивых вычислительных систем, способных деградировать постепенно. [15]