Характеристика моделей нейронных сетей.

В целом нейробионический подход к проблеме искусственного интеллекта основывается на использовании принципов работы мозга для конструирования интеллектуальных систем.

Достоинства:

- огромное быстродействие за счет параллельной работы большого числа простых вычислительных устройств;

- способна к обучению за счет настройки параметров сети;

- отказоустойчивость за счет определенного строения сети; помехоустойчивость;

- простойное строение отдельных нейронов упрощает аппаратную реализацию.

Модель Маккалоха. В 1943 году У. Маккалох и его ученик У. Питтс сформулировали основные положения теории деятельности головного мозга. Ими были получены следующие результаты:

- разработана модель нейрона как простейшего процессорного элемента, выполняющего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов;

- предложена конструкция сети таких элементов для выполнения логических и арифметических операций;

- сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию.

Недостатком данной модели является сама модель нейрона "пороговой" вид переходной функции. Пороговый вид функции не предоставляет нейронной сети достаточную гибкость при обучении и настройке на заданную задачу.

Модель Розенблата. Эта модель была названа перцептроном. Перцептрон применялся для задачи автоматической классификации, которая в общем случае состоит в разделении пространства признаков между заданным количеством классов. Перцептрон способен делить пространство только прямыми линиями (плоскостями).

Алгоритм обучения перцептрона выглядит следующим образом: системе предъявляется эталонный образ; если выходы системы срабатывают правильно, весовые коэффициенты связей не изменяются; если выходы срабатывают неправильно, весовым коэффициентам дается небольшое приращение в сторону повышения качества распознавания.

Недостаток: 1)не всегда существует такая комбинация весовых коэффициентов, при которой имеющееся множество образов будет распознаваться данным перцептроном. Причина - лишь небольшое количество задач предполагает, что линия, разделяющая эталоны, будет прямой. Выходом из этого положения является использование многослойного перцептрона, способного строить ломаную границу между распознаваемыми образа-ми. 2)слабо формализованый метод обучения перцептрона.

Модель Хопфилда. Для однослойной нейронной сети со связями типа "все на всех" характерна сходимость к одной из конечного множества равновесных точек, которые являются локальными минимумами функции энергии, содержащей в себе всю структуру взаимосвязей в сети.

Преимущества: нейронная сеть для конкретной задачи может быть за-программирована без обучающих итераций. Веса связей вычисляются на основании вида функции энергии, сконструированной для этой задачи.

Модель сети с обратным распространением. Способом обратного распространения (back propogation) называется способ обучения многослойных нейронных сетей (НС).

В таких НС связи между собой имеют только соседние слои, при этом каждый нейрон предыдущего слоя связан со всеми нейронами последующего слоя. Нейроны обычно имеют сигмоидальную функцию возбуждения. Первый слой нейронов называется входным и содержит число нейронов соответствующее распознаваемому образу. Последний слой нейронов называется выходным и содержит столько нейронов, сколько классов образов распознается. Между входным и выходным слоями располагается один или более скрытых (теневых) слоев. Определение числа скрытых слоев и числа нейронов в каждом слое для конкретной задачи является неформальной задачей. Принцип обучения такой нейронной сети базируется на вычислении отклонений значений сигналов на выходных процессорных элементах от эталонных и обратном "прогоне" этих отклонений до породивших их элементов с целью коррекции ошибки.

Однако и этому алгоритму свойственны недостатки, главный из которых - отсутствие сколько-нибудь приемлемых оценок времени обучения. Понимание, что сеть в конце концов обучится, мало утешает, если на это могут уйти годы. Тем не менее, алгоритм обратного распространения имеет широчайшее применение.