Система текущего и итогового контроля 6 страница

Ниже приведены основные вехи в области исследований нейронных сетей.

1943 г. – У. Маккалок (W. McCulloch) и У. Питтс (W. Pitts) предложили модель нейрона и сформулировали основные положения теории функционирования головного мозга.

1949 г. – Д. Хебб (D. Hebb) высказал идеи о характере соединений нейронов мозга и их взаимодействии, а также предложил правила обучения нейронной сети.

1957 г. – Ф. Розенблатт (F. Rosenblatt) разработал принципы организации и функционирования персептронов и предложил вариант технической реализации первого в мире нейрокомпьютера Mark.

1959 г. – Д. Хьюбел (D. Hubel) и Т. Визель (Т. Wiesel) показали распределенный и параллельный характер хранения и обработки информации в биологических нейронных сетях.

1960-1962 гг. – исследования в области искусственных нейронных сетей В. Уидроу (W. Widrow).

1969 г. – публикация книги М. Минского (М. Minsky) и С. Пейперта (S. Papert) «Персептроны», в которой доказывается принципиальная ограниченность возможностей персептронов. Угасание интереса к искусственным нейронным сетям.

1970-1976 гг. – активные разработки в области персептронов в СССР (основные заказчики – военные ведомства).

Конец 1970-х гг. – возобновление интереса к искусственным нейронным сетям как следствие накопления новых знаний о деятельности мозга, а также значительного прогресса в области микроэлектроники и компьютерной техники.

1982-1985 гг. – Дж. Хопфилд (J. Hopfield) предложил семейство оптимизирующих нейронных сетей, моделирующих ассоциативную память.

1985 г. – появление первых коммерческих нейрокомпьютеров, например, Mark III фирмы TRW (США).

1987 г. – начало широкомасштабного финансирования разработок в области ИНС и НК в США, Японии и Западной Европе.

1989 г. – разработки и исследования в области ИНС и НК ведутся практически всеми крупными электротехническими фирмами. Нейрокомпьютеры становятся одним из самых динамичных секторов рынка.

1990 г. – активизация советских исследовательских организаций в области ИНС и НК (Институт кибернетики им. Глушкова в Киеве, Институт многопроцессорных вычислительных систем в Таганроге, Институт нейрокибернетики в Ростове-на-Дону).

1991 г. – годовой объём продаж на рынке ИНС и НК приблизился к 140 млн. долларам.

1992 г. – работы в области ИНС находятся стадии интенсивного развития.

1997 г. – годовой объем продаж на рынке ИНС и НК превысил 2 млрд. долларов, а ежегодный прирост составил 50%.

2000 г. – переход на субмикронные и нанотехнологии, а также успехи молекулярной и биомолекулярной технологии открывают новые возможности по реализации нейрокомпьютеров.

Методы исследования ИНС. Для исследования построенной модели сети (с заданными характеристиками элементов, архитектурой и обучающими правилами) применяют три основных метода: аналитическое исследование, а также математическое (имитационное) и физическое моделирование.

Сложность аналитического исследования рассматриваемых моделей с коллективным поведением обусловлена наличием большого числа взаимодействующих нелинейных нейроподобных элементов. Несмотря на это, интересные аналитические результаты получены для многих моделей нейронных сетей, что в значительной степени способствовало их популярности.

Математическое моделирование даёт возможность создать практически любые модели нейронных сетей, однако из-за последовательного характера их работы в обозримое время удаётся исследовать модели только ограниченного размера. В настоящее время существуют и продолжают создаваться специальные вычислительные средства для эффективного моделирования больших нейроподобных сетей, а также реализованные в виде микросхем быстродействующие аппаратные модели небольших нейросетей.

Физическое моделирование позволяет быстро получать достоверные результаты работы модели, однако связано с технической сложностью аппаратной реализации большого количества нейроподобных элементов со многими адаптивными связями.

Моделирование ИНС в системе MATLAB. Эффективные средства моделирования нейронных сетей содержит среда MATLAB. Средства моделирования реализованы в виде пакета Neural Networks, в состав которого входит большое количество m-функций для создания, обучения и моделирования различных нейронных сетей; программа NNTool*, реализующая пользовательский интерфейс при работе с функциями пакета Neural Networks; а также демонстрационные примеры для наглядного изучения основных свойств ИНС.

Программа NNTool облегчает пользователю доступ к возможностям пакета Neural Networks. Запуск программы производится либо командой nntool, вводимой в командном окне MATLAB, либо из окна запуска приложений Launch Pad с помощью опции NNTool из раздела Neural Networks Toolbox. После вызова на экране появляется окно Network/Data Manager (Управление сетью/данными) (рис. В.5).

В поле Inputs отображаются последовательности входов сети; в поле Targets – последовательности целей (требуемых выходов) сети; в поле Networks приводится список созданных нейронных сетей; в поле Outputs отображаются последовательности выходов сети; в поле Errors – ошибки сети; в полях Input Delay States и Layer Delay States – соответственно начальные состояния линий задержек по входу и линий задержек слоя.

Создание новых данных (входных, целевых и др.) производится с помощью кнопки New Data; создание новой сети – кнопкой New Network. Кнопки Export и Import позволяют соответственно экспортировать данные из программы NNTool в рабочее пространство MATLAB и импортировать данные из рабочего пространства MATLAB в программу NNTool. Кнопка View позволяет просмотреть данные или структуру и параметры сети, кнопка Delete – удалить данные или сеть.

Для работы с созданными нейронными сетями предназначены кнопки Initialize, Simulate, Train, Adapt. Кнопка Initialize предназначена для инициализации нейронной сети, кнопка Simulate – для моделирования сети, кнопка Train – для обучения сети; кнопка Adapt – для адаптации сети (выполнения одного шага процедуры обучения). При нажатии этих кнопок, а также кнопки View при выбранной нейронной сети открывается соответствующая закладка окна Network.

С помощью кнопки Help можно получить справку по работе с программой NNTool.

Примечание. Для первоначального ознакомления со структурой и принципом функционирования искусственного нейрона рекомендуется изучить следующие демонстрационные примеры из пакета Neural Networks: Simple neuron and transfer functions (простой нейрон и функции активации), Neuron with vector input (нейрон с векторным входом). Для вызова демонстрационных примеров выбрать опцию Demo из окна Launch Pad. На экране появится окно MATLAB Demo Window, в котором следует выбрать запускаемый демонстрационный пример. В примерах проследить изменение выходного сигнала нейрона в зависимости от входных, а также проанализировать влияние значений весовых коэффициентов, смещения и вида функции активации.

Итоги развития нейрокомпьютинга к настоящему времени. Теория нейронных сетей осваивает разработанные ранее методы с целью создания эффективных нейронных систем. Использование ИНС особенно важно с точки зрения производительности ЭВМ. Согласно гипотезе Минского, реальная производительность параллельной вычислительной системы из n процессоров растёт как log(n), то есть производительность системы из 100 процессоров всего вдвое выше, чем производительность 10-процессорной системы, так как процессоры дольше ждут своей очереди, чем вычисляют. При использовании же нейронных сетей параллелизм может быть использован практически полностью и производительность растёт почти пропорционально n.

С другой стороны, теория нейросетей не внесла революционных новшеств в алгоритмы оптимального управления и адаптации, теорию адаптивных регуляторов и самообучающиеся системы.

Таким образом, основные преимущества нейрокомпьютеров связаны с массовым параллелизмом обработки, что определяет высокое быстродействие, низкие требования к стабильности и точности параметров элементарных узлов, устойчивость к помехам и повреждениям при большой пространственной размерности системы, причём устойчивые и надёжные нейросистемы могут создаваться из низконадёжных элементов, имеющих значительный разброс параметров.

* Входит в состав пакета MATLAB начиная с версии 6.0.

Оценка знаний студентов по дисциплинеопределяется в соответствии с системой текущего и итогового контроля, которая утверждается ежегодно и доводится преподавателем до сведения студентов.

Итоговый контроль предусматривает:

в 7-ом семестре – зачет,

во 8-ом семестре – экзамен.

Вопросы к итоговой аттестации (экзаменам и зачетам) составляются на основе контрольных вопросов по курсу.

Дата добавления: 2015-06-25