Нейрокомпьютинг

Cтраница 1

Нейрокомпьютинг имеет многочисленные точки соприкосновения с другими дисциплинами и их методами. В частности, теория нейронных сетей использует аппарат статистической механики и теории оптимизации. Области приложения нейрокомпьютинга подчас сильно пересекаются или почти совпадают со сферами применения математической статистики; теории нечетких множеств и экспертных систем. Связи и параллели нейрокомпьютинга чрезвычайно многообразны и свидетельствуют о его универсальности. В данной главе, которую можно рассматривать как дополнительную, так как она требует несколько большей математической подготовки, мы поговорим только о наиболее важных из них. [1]

Длина алгоритма произвольного преобразования n - разрядных символов. [2]

Нейрокомпьютинг, как Вы уже догадались, как раз и является описанной выше новой парадигмой вычислительных систем. [3]

Сегодняшний нейрокомпьютинг проходит обкатку, в основном, в программном продукте для задач ассоциативной обработки данных, редко используя при этом свой параллельный потенциал. Такие приложения как раз и являются основной темой данной книги. [4]

Сравнительные характеристики некоторых нейрокомпьютеров. [5]

Преимущества нейрокомпьютинга состоит в возможности организовать массовые параллельные вычисления. Поэтому базовые процессорные элементы обычно соединяют в вычислительные комплексы: как можно больше - на одном чипе, а что не поместилось - в мультипроцессорные платы. [6]

Привлекательной чертой нейрокомпьютинга является единый принцип обучения нейросетей - минимизация эмпирической ошибки. Функция ошибки, оценивающая данную конфигурацию сети, задается извне - в зависимости от того, какую цель преследует обучение. Но далее сеть начинает постепенно модифицировать свою конфигурацию - состояние всех своих синаптических весов - таким образом, чтобы минимизировать эту ошибку. В итоге, в процессе обучения сеть все лучше справляется с возложенной на нее задачей. [7]

Вписав появление нейрокомпьютинга в общий процесс эволюции компьютеров, мы получаем возможность заглянуть в ближайшее будущее - экстраполируя сегодняшние тенденции. [8]

Рассмотрим теперь отношения нейрокомпьютинга и экспертных систем. Обе эти технологии иногда относят к направлению Искусственный Интеллект, хотя строго говоря, термин искусственный интеллект появился в 70 - е годы в связи с экспертными системами, как направления альтернативного нейронным сетям. [9]

Одной из характерных черт нейрокомпьютинга является обучение на примерах. Поэтому и мы начнем с серии примеров, которые лучше любых описаний наметят возможные области практических приложений неиросетеи и подкрепят решимость читателя заняться их изучением. В последнее время в прессе все чаще стали мелькать сообщения, где так или иначе упоминаются искусственные нейронные сети. [10]

Разберем этот ключевой для нейрокомпьютинга метод несколько подробнее. [11]

В чем же заключается сходство и различие языков нейрокомпьютинга и статистики в анализе данных. [12]

Эта особенность нечеткой логики имеет практическим следствием затруднения при попытках ее применения в нейрокомпьютинге, т.к. отсутствует прозрачность обработки данных. [13]

Далее в этой главе мы вкратце опишем современное ( правда чрезвычайно быстро меняющееся) состояние нейрокомпьютинга: нейросетевые продукты ( как специализированное hardware, так и более доступное software), их сегодняшние применения, а также основные принципы нейровычислений. [14]

Нам же представляется, что именно синтез различных методов и идей в едином нейросетевом подходе и является неоценимым достоинством нейрокомпьютинга. Нейрокомпьютинг предоставляет единую методологию решения очень широкого круга практически интересных задач. Это, как правило, ускоряет и удешевляет разработку приложений. Причем, что обычно забывают за неразвитостью соответствующего hardware, но что, видимо, в конце концов сыграет решающую роль, нейросетевые алгоритмы решения всех перечисленных выше задач заведомо параллельны. Следовательно, все что может быть решено - может быть при желании решено гораздо быстрее и дешевле. [15]

Страницы: 1 2 3