o Сети на основе адаптивной теории
резонанса (ART-сети) были
созданы специально для решения задач классификации. В них заложено сразу два
дихотомически противоположных принципа: во-первых, сеть должна
самомодифицироваться в ответ на каждый входной сигнал; во-вторых сеть должна
сохранять знания, а значит, быть стабильной. Решение заключается в нахождении
точки равновесия между требованиями пластичности и стабильности сети.
2.4 Достоинства и
недостатки нейронных сетей
К достоинствам искусственных нейронных сетей можно отнести:
§ Возможность решения задач, которые не решаются никакими другими методами;
§ Самообучение;
§ Получение результатов в режиме реального времени;
§ «креативность»;
§ Создание новых знаний внутри сети в процессе переработки входных данных.
Недостатки искусственных нейронных сетей:
§ Сравнительная дороговизна аппаратной реализации;
§ Трудность тиражирования накопленных знаний;
Искусственные нейронные сети хорошо подходят для решения задач:
§ С большими массивами входных данных;
§ С неизвестным алгоритмом. Но большим количеством конкретных примеров решения;
§ С большим количеством шумов;
§ С недостаточностью или, Наоборот, избыточностью данных.
Искусственные нейронные сети могут эффективно решать задачи распознавания изображений, классификации, оптимизации или прогнозирования. Более конкретно такими задачами являются:
§ Распознавание лиц, голосов, отпечатков пальцев;
§ Обнаружение отклонений в ЭКГ;
§ Обработка звуковых сигналов (разделение, идентификация, локализация, устранение шума, интерпретация);
§ Обработка радарных сигналов (распознавание целей, идентификация и локализация источников);
§ Проверка достоверности подписей;
§ Прогнозирование изменений экономических показателей и т. п.
§ Построение функции по конечному набору значений;
§ Построение отношений на множестве объектов;
§ Распределенный поиск информации и ассоциативная память;
§ Сжатие информации,фильтрация, оптимизация;
§ Идентификация динамических систем и управление ими;
§ Нейросетевая реализация классических задач и алгоритмов вычислительной математики: решение систем линейных уравнений, решение задач математической физики сеточными методами и др.
Заключение
В данной работе были рассмотрены основные положения и вопросы современного состояния и перспектив развития нейроинформатики как науки. В связи с тем, что по сей день не установлено конкретное определение нейроинформатики, назначение данной науки можно выявить:
А) выделив объект и предмет её изучения;
Б) определив круг специфических задач, непосредственно разрешением которых занимается данная научная область;
В) установив основные способы и методы, которые применимы вк решению этих задач.
Предметом изучения нейроинформатики являются нейронные сети - это сети, состоящие из связанных между собой простых элементов - формальных нейронов. Значительное большинство работ по нейроинформатике посвящено переносу различных алгоритмов решения задач на такие сети.
Ядром используемых представлений является идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами.
В работе рассмотрена модель нейрона и основные типы искусственных нейронов.
Таким образом, поставленные задачи решены в ходе
работы и цель достигнута.
Список
используемой литературы
1. Макарова, Н.В., Волков, В.Б. Информатика: Учебник для вузов. - СПб.: Питер, 2011. - 576c.
2. Кирсанов, Э. Ю: Нейрокомпьютеры и их применение <http://www.radiotec.ru/catalog.php?cat=bo10>. Издательство «Радиотехника», 2004 г. - 224 с.
3. Бобков, С.П. Моделирование систем: учеб. пособие / С.П. Бобков, Д.О. Бытев; Иван. гос. хим.-технол. ун-т. - Иваново, 2008. - 156 с.
4. Осовский, С. Нейронные сети для обработки информации / пер. с польскогоИ.Д.Рудинского. - М.: Финансы и статистика, 2002. - 344 с.
. Горбань, А.Н. Возможности нейронных сетей / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. - 74 с.
. Миркес, Е.М. Учебное пособие по курсу Нейроинформатика.Красноярск - 2002. - 347 с.
7. Учебный курс [Электронный ресурс]:«Искусственные нейронные сети» / Разработчик курса: к.т.н. доц. В.Г. Федорук; МГТУ им. Н.Э. Баумана, каф. САПР. - 2012.- Режим доступа: <http://bigor.bmstu.ru/?cnt/?doc=NN/base.cou>
8. Горбань А.Н., Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики / РАН. Сиб. Отд. - Новосибирск, 1998. - т. 1, № 1, - с. 11-24.