Научная статья на тему 'Исследование функциональных возможностей искусственных нейронных сетей с обратными связями'

Исследование функциональных возможностей искусственных нейронных сетей с обратными связями Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
111
40
i Надоели баннеры? Вы всегда можете отключить рекламу.
i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Исследование функциональных возможностей искусственных нейронных сетей с обратными связями»

Известия ТРТУ

УДК 007.57:681.3

Ю.В. Чернухмн, М.А. Самарин КОНСТРУКЦИЯ ЯЗЫКА НЕЙРОТРАНСПЫОТЕРА

При разработке новой техники необходимо создавать соответствующие средства управления, которые были бы достаточно гибкими и удобными для пользователя и наиболее полно использовали возможности нового устройства. Для цифровой вычислительной техники таким средством управления является язык программирования или более широко - программное обеспечение (ПО).

При разработке нейротранспьютера (НТ) представляется малоэффективным его адаптация под известные и популярные языки программирования или же, наоборот, адаптация широко распространенных языковых средств к нейротранспьютерной тематике. И в том, и в другом случаях не удастся максимально эффективно использовать возможности НТ, поскольку можно полностью потерять или вынужденно маскировать все то, что отличает транспьютерную технику.

Взаимодействие пользователя с НТ-сетью осуществляется посредством управляющей ЭВМ традиционного типа. От постановки задачи для НТ-сети до ее реализации необходимо пройти несколько этапов, каждый из которых выделяется в функционально законченный модуль ПО. Ниже перечисляются такие функциональные модули.

1. Для описания используемой модели нейронной сети предлагается проблемно-ориентированный ярык программирования, который представляет собой совокупность конструкций, описывающих иерархию объектов нейросети: модели нейронов, типы связей, модели нейроансамблей.

2. Модуль трансляции, осуществляющий преобразование языкового описания сети в совокупность независимых процессов-нейронов в виде исполнимого НТ-кода. Полученный код является независимым от имеющегося НТ-оборудования.

3. Планировщик процессов выполняет тестирование имеющейся НТ-сети и в зависимости от ее конфигурации и заданных критериев осуществляет распределение процессов-нейронов по нейротранспьютерам сети.

4. Обработчик событий связывает функционирующую НТ-сеть с потоком данных, поступающих от управляющего компьютера и из внешней среды.

УДК 007.57:681

Ю.В. Чернухин, М.А. Кизогло

ИССЛЕДОВАНИЕ ФУНКЦИОНАЛЬНЫХ ВОЗМОЖНОСТЕЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С ОБРАТНЫМИ

СВЯЗЯМИ

Целью данной работы является исследование модели однослойных искусственных нейронных сетей с обратными связями (НСОС), оценка их эффективности и функциональных возможностей.

Секция вычислительной техники

Нейроноподобная сеть с обратными связями состоит из коммутированных между собой цифровых нейропроцессоров (ЦНП), реализующих математические алгоритмы нейронов статического и динамического типов, с различными типами выходной нелинейности, а именно сигмоидальной, квазисигмоидальной,- тангенсоидальной, пороговой и т. д., в диапазоне от -1 до +1.

Для исследований была выбрана однослойная полносвязная НСОС, выход каждого ЦНП в которой подключался к одноименным входам остальных нейропроцессоров в составе сети, кроме своего собственного.

В качестве алгоритмов обучения НСОС рассматривались алгоритмы Хебба и Розенблатта.

Сеть обучалась на наборе тестовых задач распознавания зрительных изображений и их классификации различной степени сложности.

Исследовались способности сети быстро обучаться, дообучаться и распознавать образы, а также ее способности к обобщению; исследовалась устойчивость сети к различного типа помехам, искажениям и взаимной корреляции изображений.

По результатам работы были сделаны следующие выводы. Сети такого типа характеризуются простотой структуры, регулярностью связей; они обладают высокой скоростью сходимости к устойчивому состоянию, однотактными процедурами обучения и дообучения сети, высокой способностью к восстановлению зашумленных и слабокоррелированных образов, устойчивостью к повреждениям, разрушающим обученные связи между ЦНП.

Однако исследованные варианты реализации НСОС обладают ограниченными способностями к обобщению и распознаванию сильнокоррелированных образов.

i Надоели баннеры? Вы всегда можете отключить рекламу.