Искусственные нейронные сети

Cтраница 2

Искусственные нейронные сети и основные непозиционные структуры представляют собой конвекционные устройства, использующие большое число связанных между собой базовых элементов. [16]

Искусственные нейронные сети ( ИНС) представляют собой структуру для параллельной распределенной обработки информации. ИНС состоят из обрабатывающих элементов - нейронов, которые могут обладать локальной памятью и выполнять локальные операции по обработке информации. Нейроны соединены синаптическими связями для передачи информации. [17]

Искусственные нейронные сети - класс гибких нелинейных регрессионных или дискриминантных моделей, включающих большое число нейронов, соединенных произвольным образом, нередко организованных в слойные архитектуры. [18]

Когда искусственные нейронные сети моделируются на универсальных компьютерах, присущая им параллельная природа вычислений теряется; каждая операция должна быть выполнена последовательно. Несмотря на большую скорость выполнения отдельных вычислений, количество операций, необходимых для выполнения умножения матриц, пропорционально квадрату размерности входного вектора ( если входной и выходной векторы имеют одинаковую размерность), и время вычислений может стать слишком большим. [19]

Прежде чем искусственные нейронные сети можно будет использовать там, где поставлены на карту человеческая жизнь или ценное имущество, должны быть решены вопросы, относящиеся к их надежности. [20]

Обучение, Искусственные нейронные сети могут менять свое повеле-ние в зависимости от внешней среды, Этрт фактор в большей степени, чем какой-либо другой, ответствен за интерес, который они вызывают. [21]

В последние годы искусственные нейронные сети вызывают повышенный интерес у специалистов различных специальностей и находят применение в разнообразных областях науки, техники и бизнеса. [22]

Персептронный нейрон. [23]

В качестве научного предмета искусственные нейронные сети впервые заявили о себе в 40 - е годы. Стремясь воспроизвести функции человеческого мозга, исследователи создали простые аппаратные ( а позже программные) модели биологического нейрона и системы его соединений. [24]

Алгоритмы обучения, как и вообще искусственные нейронные сети, могут быть представлены как в дифференциальной, так и в конечно-разностной форме. При использовании дифференциальных уравнений предполагают, что процессы непрерывны и осуществляются подобно большой аналоговой сети. [25]

Подобно людям, структуру мозга которых они копируют, искусственные нейронные сети сохраняют в определенной мере непредсказуемость. Единственный способ точно знать выход состоит в испытании всех возможных входных сигналов. В большой сети такая полная проверка практически неосуществима и должны использоваться статистические методы для оценки функционирования. В некоторых случаях это недопустимо. Например, что является допустимым уровнем ошибок для сети, управляющей системой космической обороны. Большинство людей скажет, любая ошибка недопустима, так как ведет к огромному числу жертв и разрушений. Это отношение не меняется от того обстоятельства, что человек в подобной ситуации также может допускать ошибки. [26]

В СОЗ реализуется относительно высокоуровневый процесс умозаключений, а современные искусственные нейронные сети и генетические алгоритмы нами не включаются в понятие СОЗ, хотя их роль ( сама по себе и в составе комплексных многоуровневых систем управления) является весьма полезной. [27]

Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети подобны друг другу, однако, в соответствии с изложенным выше, на практике у них имеются свои собственные достоинства и недостатки. [28]

Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети эквивалентны друг другу, однако, в соответствии с изложенным выше, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение легло в основу аппарата гибридных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания и для пользователя являются логически прозрачными. [29]

Несмотря на то что связь с биологией слаба и зачастую несущественна, искусственные нейронные сети продолжают сравниваться с мозгом. Их функционирование часто напоминает человеческое познание, поэтому трудно избежать этой аналогии. К сожалению, такие сравнения неплодотворны и создают неоправданные ожидания, неизбежно ведущие к разочарованию. Исследовательский энтузиазм, основанный на ложных надеждах, может испариться, столкнувшись с суровой действительностью, как это уже однажды было в шестидесятые годы, и многообещающая область снова придет в упадок, если не будет соблюдаться необходимая сдержанность. [30]

Страницы: 1 2 3 4