формат Adobe PDF, размер 2173 Кб - Информационно ...

формат Adobe PDF, размер 2173 Кб - Информационно ... формат Adobe PDF, размер 2173 Кб - Информационно ...

neurolectures.narod.ru
from neurolectures.narod.ru More from this publisher
11.07.2015 Views

ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕзование сравнительно небольшого числа нейронов, каждый из которых можетпринимать q состояний, т. е. так называемых q-нарных нейронов. Сетииз элементов такого вида рассматриваются в лекции Б. В. Крыжановского,Л. Б. Литинского «Векторные модели ассоциативной памяти».Исследования в области моделей ассоциативной памяти с q-нарныминейронами ведутся уже примерно в течение 15 лет. Был предложен целыйряд схем, позволяющих приписать нейрону q различных состояний, а такженейросетей с такими элементами. Совсем недавно был предложен ещеодин вариант сетей с q-нарными нейронами, получивший наименование«параметрическая нейронная сеть» [12, 13]. Вначале она была ориентированана нелинейно-оптические принципы обработки информации, затембыла формализована для общего случая в рамках векторного подхода кописанию нейронов.Если, как уже отмечалось выше, традиционная модель Хопфилда (т. е.модель с бинарными элементами и плотным кодированием) может эффективнозапомнить сравнительно небольшое число паттернов, а именно, порядка0.14N, где N — число элементов в сети (в случае разреженного кодированияэтот показатель может быть существенно выше), то в моделях сq-нарным нейроном, особенно в параметрической нейронной сети, данныйпоказатель удается существенно превзойти, в частности, число запоминаемыхпаттернов может превышать число нейронов в два и более раз,при этом обеспечивается высокая вероятность правильного восстановлениясильно зашумленных паттернов.5. Как уже отмечалось выше, все семь лекций Школы 2003 года былипосвящены различным аспектам проблемы моделирования интеллектуальныхпроцессов и систем.Проблема моделирования процессов и систем «стара как мир», она существуетстолько же лет, сколько и сама наука. Как сказано в известнойкниге Леннарта Льюнга (см. [14], с. 15): «Формирование моделей на основерезультатов наблюдений и исследование их свойств — вот, по существу,основное содержание науки 3 . Модели (“гипотезы”, “законы природы”, “парадигмы”и т. п.) могут быть более или менее формализованными, но всеобладают той главной особенностью, что связывают наблюдения в некуюобщую картину».3 Иными словами — «извлечение идей» (сущностей, как называл идеи Платон) из объектови систем материального мира; с другой стороны, науку можно описать также и какдеятельность, направленную на объективизацию, «материализацию» сущностей.8 УДК 004.032.26 (06) Нейронные сети

Ю. В. ТЮМЕНЦЕВОдному из новейших и перспективных подходов к построению математическихмоделей непосредственно из наблюдений, из данных эксперимента,посвящена лекция Н. Г. Макаренко «Эмбедология и нейропрогноз».В ней изучается случай, когда есть результаты наблюдений за некоторымобъектом, причем эти результаты представлены в виде скалярноговременного ряда, как это чаще всего и бывает на практике.В традиционной трактовке принято считать временной ряд 4 дискретнымслучайным процессом (точнее, наблюдаемой конечной реализациейдискретного случайного процесса), анализ которого осуществляется методамитеории вероятностей и математической статистики.В последние 15–20 лет анализ временных рядов стал одной из наиболееактивно развиваемых областей теории вероятностей и математическойстатистики, имеющей многочисленные приложения в физике, технике, экономике,социологии, биологии, лингвистике, т. е. в тех областях, где приходитсяиметь дело со стохастическими стационарными рядами наблюдений,или же с рядами наблюдений, отличающихся от стационарных легко выделяемымтрендом, периодическими составляющими и т. п.Практически для всех вариантов статистического подхода характерното, что ответом в них будет некая функция, более или менее «хорошо»описывающая исходные экспериментальные данные.Зададимся, однако, вопросом — а что явилось источником 5 анализируемоговременного ряда? Вполне логичным представляется предположение,вводимое в лекции Н. Г. Макаренко, о том, что «. . . отсчеты ряда являютсянелинейной проекцией движения фазовой точки некоторой динамическойсистемы, продуцирующей ряд. . . »Если встать на эту точку зрения, то намного более привлекательным(с точки зрения потенциально достижимых прикладных результатов) выглядитподход, позволяющий «восстановить» не просто одну фазовую траекторию(реализацию временного ряда), полученную для конкретных начальныхусловий и возмущений «продуцирующей системы», как это имеетместо в статистических подходах, но попытаться восстановить «природу»4 Понятие временного ряда не обязательно связано с процессами, развертывающимисяво времени; в качестве независимой переменной t может быть взята, например, некотораяпространственная координата.5 Заметим, что в традиционных методах анализа вопрос о природе источника вообщене имеет смысла. Это происходит потому, что ответ на него обычно заложен уже в самомметоде. Так, Фурье-анализ временного ряда сразу предполагает полигармоническуюмодель источника.УДК 004.032.26 (06) Нейронные сети 9

ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕзование сравнительно небольшого числа нейронов, каждый из которых можетпринимать q состояний, т. е. так называемых q-нарных нейронов. Сетииз элементов такого вида рассматриваются в лекции Б. В. Крыжановского,Л. Б. Литинского «Векторные модели ассоциативной памяти».Исследования в области моделей ассоциативной памяти с q-нарныминейронами ведутся уже примерно в течение 15 лет. Был предложен целыйряд схем, позволяющих приписать нейрону q различных состояний, а такженейросетей с такими элементами. Совсем недавно был предложен ещеодин вариант сетей с q-нарными нейронами, получивший наименование«параметрическая нейронная сеть» [12, 13]. Вначале она была ориентированана нелинейно-оптические принципы обработки информации, затембыла формализована для общего случая в рамках векторного подхода кописанию нейронов.Если, как уже отмечалось выше, традиционная модель Хопфилда (т. е.модель с бинарными элементами и плотным кодированием) может эффективнозапомнить сравнительно небольшое число паттернов, а именно, порядка0.14N, где N — число элементов в сети (в случае разреженного кодированияэтот показатель может быть существенно выше), то в моделях сq-нарным нейроном, особенно в параметрической нейронной сети, данныйпоказатель удается существенно превзойти, в частности, число запоминаемыхпаттернов может превышать число нейронов в два и более раз,при этом обеспечивается высокая вероятность правильного восстановлениясильно зашумленных паттернов.5. Как уже отмечалось выше, все семь лекций Школы 2003 года былипосвящены различным аспектам проблемы моделирования интеллектуальныхпроцессов и систем.Проблема моделирования процессов и систем «стара как мир», она существуетстолько же лет, сколько и сама наука. Как сказано в известнойкниге Леннарта Льюнга (см. [14], с. 15): «Формирование моделей на основерезультатов наблюдений и исследование их свойств — вот, по существу,основное содержание науки 3 . Модели (“гипотезы”, “законы природы”, “парадигмы”и т. п.) могут быть более или менее формализованными, но всеобладают той главной особенностью, что связывают наблюдения в некуюобщую картину».3 Иными словами — «извлечение идей» (сущностей, как называл идеи Платон) из объектови систем материального мира; с другой стороны, науку можно описать также и какдеятельность, направленную на объективизацию, «материализацию» сущностей.8 УДК 004.032.26 (06) Нейронные сети

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!