Нейрокомпьютинг

Cтраница 2

Линейная регрессия и реализующий ее однослойный персептрон. [16]

При сравнении этих двух подходов сразу бросается в глаза то; что при описании своих методов статистика апеллирует к формулам и уравнениям, а нейрокомпьютинг к графическому описанию нейронных архитектур. [17]

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. [18]

Современный же нейрокомпьютинг - только первая ласточка. В наше время эта технология распознавания ситуаций и принятия решений отрабатывается в конкретных, четко очерченных областях ( например, игра на бирже), не требующих знания социального контекста, пока недоступного компьютерам. До принятия действительно значимых управленческих решений нейрокомпьютерами еще очень далеко. [19]

Мы не затронули здесь более изощренных методов обучения, таких как метод сопряженного градиента, а также методов второго порядка, которые используют не только информацию о градиенте функции ошибки, но и информацию о вторых производных. Их разбор вряд ли уместен при первом кратком знакомстве с основами нейрокомпьютинга. [20]

Джон Такер провел тщательное сравнительное исследование использования логистической регрессии и нейронных сетей и определил следующее их принципиальное различие. В то время как статистические методы фокусируются на оптимальном методе выбора переменных, нейрокомпьютинг ставит во главу угла предобработку этих переменных. Если нейронная сеть представляет собой многослойный персептрон, то функцией скрытых слоев и является такая последовательная предобработка данных. Вследствие этого нейронные сети занимают уникальное место среди методов обработки данных, превосходя их в универсальности и сложности, оставаясь при этом data-driven методом мало чувствительным к форме данных как таковых. [21]

В прошлой главе появление нейрокомпьютеров представлено как закономерный этап развития вычислительной техники. В результате, у читателя может сложиться впечатление, что и сама идея нейрокомпьютинга - недавнее изобретение. Пути Эволюции редко бывают прямыми. Идеи нейрокомпьютинга появились практически одновременно с зарождением последовательных ЭВМ. [22]

Сжатие информации линейным нейроном. [23]

Правило обучения отдельного нейрона-индикатора no - необходимости локально, т.е. базируется только на информации непосредственно доступной самому нейрону - значениях его входов и выхода. Это правило, носящее имя канадского ученого Хебба, играет фундаментальную роль в нейрокомпьютинге; ибо содержит как в зародыше основные свойства самоорганизации нейронных сетей. [24]

Какое отношение имеют искусственные нейросети к естественным. Чем отличается нейрокомпьютинг от обычных методов компьютерного моделирования. Каковы его экологические ниши в мире информационных технологий и перспективы на будущее. Этим вопросам и будет посвящена данная, вводная, глава нашей книги. [25]

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. [26]

Коммерческие пакеты отличаются от свободно распространяемых большим набором средств импорта и предобработки данных, дополнительными возможностями по анализу значимости входов и оптимизации структуры сети. Как правило, такие пакеты ( BrainMaker Professional, NeuroForecaster, Лора-IQSOO) имеют собственный встроенный блок предобработки данных, хотя иногда для этой цели удобнее использовать стандартные электронные таблицы. Так, нейро-продукты группы нейрокомпьютинга ФИАН встраивается непосредственно в Microsoft Excel в качестве специализированных функций обработки данных. При этом всю предобработку данных и визуализацию результатов можно проводить стандартными средствами Excel, который, кроме того, имеет богатый и расширяемый набор конверторов для импорта и экспорта данных. [27]

События, связанные во времени, обычно называют последовательностями, и выявление таких последовательностей позволяет прогнозировать будущее. Классификация означает распределение данных на некоторое количество групп по некоему набору признаков. Одним из весьма перспективных методов классификации является нейрокомпьютинг, который предполагает обучение системы ( программы) для решения поставленной задачи на ограниченном числе примеров. Кластеризация отличается от классификации тем, что сами группы заранее не заданы. Основой прогнозирования являются временные ряды. [28]

По мнению Билла Гейтса, главы небезызвестной Microsoft, высказанному им на собрании совета директоров, через 10 лет 90 % операционной системы будет занято решением задач распознавания образов. Таким образом, при проектировании будущих поколений компьютеров нейрокомпьютинг выдвигается на первый план. [29]

Однако между этими терминами имеются принципиальные раз личия. Под интеллектным или интеллектуальным управлением обычно подразумевается управление с использованием тех или иных элементов искусственного интеллекта, основанных на логических, логико-вероятностных, нечетких и т.п. базах знаний. В отличие от этого нейросетевое управление базируется на принципах нейроди намики, нейроинформатики и нейровычислений ( нейрокомпьютинга) и моделирует процессы управления, реализуемые мозгом и нервной системой. [30]

Страницы: 1 2 3