Теория нейронных сетей - Галушкин А.И.
ISBN 5-93108-05-8
Скачать (прямая ссылка):
3) генерацию начальных приближений параметров, если это необходимо;
4) передачу^всех численных значений в нейросеть и ее запуск;
5) функционирование сети в соответствии с режимом:
а) за один шаг или фиксированное число шагов;
б) за переменное число шагов, зависящее от требуемой точности и/или конкретных числовых значений параметров. В этом случае, происходит процесс настройки входного сигнала;
6) получение решения.
При многократном использовании п.1) и 2) могут быть выполнены однократно.
Таким образом, нейрокомпьютером будем называть вычислительную систему с архитектурой, обеспечивающей процесс функционирования в соответствии с шагами 1-6, приведенными выше.
Нейроматематика является новым разделом вычислительной математики, ориентированным на создание алгоритмов решения широкого класса задач на нейрокомпьютерах. Предлагаемый подход к построению алгоритмов использует как широко известные численные методы, так и уже накопленные знания в области нейронных вычислений. Однако он имеет серьезные отличия и от первых, и от вторых.
Традиционные численные методы используются в нейроматематике только в том случае, если их удается эффективно распараллелить и выразить через нейросетевые операции, при этом они могут быть существенно переработаны.
Практически все известные подходы к проектированию нейронных сетей связаны в основном с выбором и анализом некоторых частных видов структур с известными свойствами (сети Хопфилда, Гроссберга, Кохонена) и некоторых режимов их работы. Использование нейросетей сводится к применению этих структур для решения классов адекватных им задач, при изменении или выборе параметров структур.
В нейроматематике исходной точкой является формулировка задачи. По ней из широкого класса выбирается структура нейронной сети, адекватная поставленной задаче. Если требуется настройка, то используются свойства того класса структур сетей, к которому принадлежит полученная структура.
При этом при рассмотрении множества задач класс струк-1 тур нейронных сетей выбирается достаточно общим (много-! слойные сети с последовательными, перекрестными и обрат-| ными связями).
Нейрокомпьютер, как правило, должен ориентироваться на быстрое выполнение всех нейросетевых операций, а так-] же параллельных алгоритмов настройки нейронных сетей.
Разработка нейрокомпьютера включает в себя три парал-] лельных направления:
1) разработку алгоритмов решения задач на нейрокомпью-] терах (нейроматематику);
2) развитие теории нейронных сетей - классов структур методов их настройки;
3) разработку нейрокомпьютера, как совокупности техни! ческих средств и системного программного обеспечен ния, ориентированного на решение задач нейроматема-| тики.
Эти три уровня работ находятся между собой во взаимосвязи. С одной стороны, структура нейронной сети для каждой задачи определяется самой задачей, с другой - развит тие теории нейронных сетей побуждает применять для решения задачи все более сложные структуры нейронных сетей. С одной стороны, уровень совершенства технически устройств определяет диапазон возможностей для построе-j ния сетей и алгоритмов, с другой - развитие нейроматема-1 тики подталкивает теорию сетей, а та, в свою очередь, на-| правляет развитие технического исполнения.
В настоящее время направление исследования нейрон-J ных сетей связано с направлением разработки нейроком! пьютеров, пожалуй, лишь программными средствами ре| ализации конкретных задач и связанных с ними структуЕ В будущем и программная, и аппаратная часть нейрокои пьютера будут в значительной степени определяться ре шаемыми задачами и структурами реализуемых нейро* ных сетей.
Решение задачи на нейронной ЭВМ связано с процедуре настройки, требующей выбора начальных значений параме! ров, величин шага итерационных методов и т.п.
Так как не все подобные процессы выбора формализуем^ и во многом зависят от области применения задачи, то вс они, как правило, происходят с участием человека.
Отметим, что при решении задачи на нейрокомпьютере имеет место диалог двух видов:
1. Диалог в процессе подготовки нейрокомпьютера к решению конкретной задачи с заранее известными ограничениями на исходные данные и результаты. Основную часть его составляет диалог, сопровождающий настройку весовых коэффициентов. После настройки, при сохранении параметров задачи и сети, задачу можно решать многократно с различными исходными данными. Если настройки весовых коэффициентов нейросети нет, то этот тип диалога сокращается до выбора из памяти необходимых значений.
2. Диалог в процессе решения. Он предполагает генерацию начальных значений параметров, однако наиболее трудоемкую его часть составляет диалог в процессе настройки входного сигнала, при котором расчетчик может анализировать динамику изменения функционала качества системы и выбирать величины шага в методе настройки.
Такой диалог находится на критическом пути в решении. Поэтому для задач, где минимизация времени выполнения является важнейшим критерием эффективности нейронных алгоритмов, этот вид диалога должен быть минимизирован (путем его сокращения или автоматизации) либо исключен (например, путем полной автоматизации выбора шага, может быть ценой усложнения алгоритма). Если этого сделать не удается, следует попытаться построить алгоритм без настройки входного сигнала, используя настройку весовых коэффициентов.
