Ограничения сети

К сожалению, у нейронной сети Хопфилда есть ряд недостатков.

1. Относительно небольшой объём памяти, величину которого можно оценить выражением:

Попытка записи бо́льшего числа образов приводит к тому, что нейронная сеть перестаёт их распознавать.

2. Достижение устойчивого состояния не гарантирует правильный ответ сети. Это происходит из-за того, что сеть может сойтись к так называемым ложным аттракторам, иногда называемым «химерами» (как правило, химеры склеены из фрагментов различных образов).

Выводы:

В данной работе был рассмотрен ряд нейронных сетей на основе самоорганизующихся карт Кохонена, которые могут быть успешно применены для идентификации динамических объектов различной сложности. Также, как преимущество подобного подхода к идентификации, стоит отметить относительную простоту процесса обучения рассмотренных в данной работе типов сетей, а также возможность достижения приемлемой точности прогноза после не очень длительного процесса обучения (около 20 - 30 эпох). Данное исследование обосновывает необходимость исследования возможностей модульных нейронных сетей более высокой сложности для идентификации динамических объектов и исследование способности таких сетей к выявлению паттернов во временных рядах. Также, при дальнейшем исследовании данных типов сетей стоит обратить внимание на способности сетей с модулями типа RSOM к повторному обучению на новых выборках, с последующим, более быстрым, возвратом к первоначальной выборке.

Список литературы:

1. [Трофимов и др., 2010] Трофимов А. Г., Повидало И. С., Чернецов С. А. Использование самообучающихся нейронных сетей для идентификации уровня глюкозы в крови больных сахарным диабетом 1 го типа // Наука и образование. №5, 2010 [Электр. журн. http://technomag.edu.ru/doc/142908.html]

2. [Хайкин, 2006] Хайкин С. Нейронные сети: полный курс, 2-е изд., испр., исправленное – М.: ООО "И.Д. Вильямс", 2006. – 1104 с.

3. [Efremova et al., 2012] Efremova N., Asakura N., Inuia T., Abdikeev N. The Neural Network for View-Invariant Object Recognition and Classification (Additional Details) – 2012.

4. [Koskela, 2003] Koskela T. Neural network methods in analyzing and modelling time varying processes – Espoo, 2003.

5. [Lotfi et al., 2003] Lotfi A., Garibaldi J. In Applications and Science in Soft Computing, Advances in Soft Computing Series ­­– Springer, 2003

6. [Tokunaga et al., 2009a] Tokunaga K., Furukawa T. Modular network SOM – Neural Networks. №22, 2009.

7. [Tokunaga et al., 2009b] Tokunaga K., Furukawa T. SOM of SOMs – Neural Networks. №22, 2009.

8. [Varsta et al., 1997] Varsta M., Heikkonen J., A recurrent Self-Organizing Map for temporal sequence processing. – Springer, 1997.

9. Нейрокомпьютеры и интеллектуальные роботы. Под редакцией Н.М. Амосова. Киев: Наукова думка. 1991.

10. 2. Жданов А.А., Арсеньев С.В., Половников В.А. Об одной методологии автономного адаптивного управления. Труды института системного программирования, 1999. Т.1.

11. Neural Computers Ed. by R.Eckmiller, Ch.Malsburg. Springer,1989.

12. Веденов А.А. Моделирование элементов мышления. М.: Наука. 1988.

13. Rosenblatt F., Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington, D.C.: Spartan Books, 1961.

14. Kotov V.B., Mikaelian A.L. Spatiotemporal associative memory using dynamic neural networks. // Optical Memory and Neural Networks, 2000. V.9. n.3. p.221-232.

Дата добавления: 2015-06-04