Нейронные системы

В основу построения нейронных сетей положена мо­дель мыслительной деятельности человеческого мозга.

Для понимания основных принципов построения нейронных систем напомним, что мозг человека состоит из большо­го числа нейронов, каждый из которых можно рассматривать как обладающий определенными весовыми коэффициентами пороговый элемент, имеющий около 200 тыс. входов и всего один выход. В живом организме все нервные клетки посред­ством синапсов (точек соединений входов и выходов нейро­нов) связаны друг с другом в длинные цепочки и образуют единую сеть, постоянно обучаемую в течение жизни. Процесс обучения состоит в образовании новых синапсов и в установ­ке весовых коэффициентов, определяющих условия появления нервного сигнала на выходе того или иного нейрона.

Подобно живому мозгу, нейрокомпьютеры состоят из элек­тронных нейросхем, весьма упрощенно моделирующих пове­дение реальных нейронов. Поведение обученного до рожде­ния или в процессе жизни нейрокомпьютера определяется на­бором весовых коэффициентов или, как иногда говорят, си­ноптической матрицей. Хотя искусственные нейронные сети еще далеки от своего прототипа — человеческого мозга, в по­ведении и тех, и других просматривается много общего. Технология создания, обучения и эксплуатации нейронной сети строится следующим образом.

1. Сначала формулируется постановка задачи и выделяет­ся набор параметров, характеризующих некоторую пробле­му, или проблемную ситуацию. Параметры определяются на основании опыта множества экспертов, но этотнабор их мо­жет быть избыточным и противоречивым, кроме того,нет не­обходимости заранее определять значимость того или иногопараметра. Их важность определяется в процессе обучения и эксплуатации нейронной сети.

2. Подготавливается набор обучающих примеров, представ­ляющих собой последовательности, состоящие из наборов вход­ных параметров, для которых определены верные выходные зна­чения. Эти заведомо верные выходные значения называют эта­лонными.

3. Осуществляется первоначальная настройка нейронной сети — весовым коэффициентам присваиваются случайные зна­чения.

4. Обучающие последовательности в определенном поряд­ке предъявляются нейронной сети. Нейронная сеть формиру­ет выходные значения, которые сопоставляются с эталонны­ми. На основе этого сравнения происходит автоматическая коррекция весовых коэффициентов нейронной сети. В случае совпадения полученного значения с эталонным происходит увеличение весовых коэффициентов тех параметров, которые способствовали получению верного результата, и, наоборот, происходит понижение весовых коэффициентов тех па­раметров, которые способствовали выработке неверного ре­шения. Процесс коррекции весовых коэффициентов называ­ется процессом обучения.

5. Процесс предоставления обучающих последовательнос­тей повторяется многократно до тех пор, пока сеть не придет в стационарное состояние, то есть результаты, вырабатывае­мые нейронной сетью с заданной вероятностью, совпадут с эталонными результатами.

6. После этого нейронная сеть считается настроенной (обученной) на определенную проблему, и ее можно исполь­зовать для решения реальных задач. Кроме того, в процессе эксплуатации нейронной сети также может проис­ходить ее последующее обучение. Например, если имеется возможность оценить правильность решений, полученных в процессе эксплуатации сети, то эти данные также могут быть использованы для коррекции весовых коэффициентов. Обучение нейронной сети, как и обучение человека, длится долго, стоит достаточно дорого и во многом представляет собой настоящее искусство. Скорость обучения сети зави­сит не только от характеристик нейронной сети, но и от ме­тода обучения, количества и качества обучающих последо­вательностей, порядка их предоставления нейронной сети. В настоящее время известно большое число математичес­ких алгоритмов обучения нейронных сетей, которые иссле­дуются в рамках особой научной дисциплины, называемой нейроматематикой.

Важно отметить, что обученная нейронная сеть представляет собой самостоятельный отчуждаемый продукт. Меха­низмы построения нейронных сетей позволяют обучить ней­ронную сеть решать конкретную задачу и затем продать результаты обучения (числовую матрицу весовых коэффициентов), не раскрывая покупателю самой методи­ки обучения.

Обучение нейронной сети представляет собой сложный процесс, реализуемый достаточно сложными алгоритмами, требующими значительных вычислительных ресурсов. Уста­новлено, что реализация нейросетевых алгоритмов на обыч­ном вычислительном оборудовании неэффективна. Для созда­ния и обучения нейронных сетей используются дорогостоящие пакеты программ, эксплуатация которых требует высокопро­изводительного вычислительного оборудования. В связи с этим в лексиконе вычислительной техники появилось новое понятие — нейрокомпьютер.

Под нейрокомпьютером понимается вычислительная система, аппаратное и программное обеспечение которой име­ет архитектуру, ориентированную на эффективную реализа­цию нейросетевых алгоритмов. Элементную базу нейрокомпьютеров составляют специализированные нейроБИС. Нейрокомпьютеры могут представлять собой самостоятельные устройства, а также строиться на основе обычных вычисли­тельных устройств за счет включения в них специальных нейроплат — нейроакселераторов для рабочих станций и персо­нальных компьютеров.