Биологични и изкуствени невронни мрежи кора се състои от множеството

Кората се състои от голям набор от прости елементи-ващи - неврони, броят на които е приблизително равна на 10 - броя на звездите в Млечния път. Всеки неврон е свързан към няколко ти-syachami други неврони чрез нервни влакна, които предават електрически импулси. По този начин, мозъкът на човека съ-държи около 10 връзки. Изключително сложна структура от отношения между относително прости елементи е именно един от най-важните "ноу-хау" на човешкото мислене.

Всеки неврон има процеси на нервните влакна от два вида: дендритите, при който клетката получава входящо електрически Signa Предшестващо единичен аксон и предаване на изходящия съобщението на други-ronam него. Axon дендрити, свързани с други неврони чрез специални образуване - синапси, които могат да се увеличи или намали силата на предава импулс. Схематично е показано на фигурата по-долу:

Входящите импулси от аксоните на други неврони преминават през B Заспивания на дендрити, промяна на силата и идещ в тялото на неврона. Es ако сигналът сума надхвърля определен критичен праг, "Сало-долепени" в тялото на неврон, той се активира и предава на изходящо инерция по аксона към следващия неврон. От решаващо значение е, че "честотна лента" на синапсите - способността да се подобри или оси сигнал е отслабена - може да се промени с течение на времето, което променя поведението на неврона като цяло. Това е "настройка" на трафик синаптичните сови е основен механизъм за учене в човешкия мозък.

Този механизъм може да бъде представен в стандартизирана форма, преведено на езика на математиката. Означаваме входящите импулси чрез засилване на аксони на други неврони, Х1 на символи, Х2, х2. хп. C-Заспивания в този случай, ще играе ролята на тегло коефициенти W1 W2, w2. WN. Преминавайки през синапси, входящи сигнали променят силата си и образуват сума сигнал х = w1x1 + w2x2 + w2x2 +. + W "х".

Сега следва неврон "реши" дали сумата надвишава входно-сигналът е проводим определен праг. Математически, това може да бъде представена като трансформация на входния сигнал в съответствие с определена сила функция / СВЧ на изходящ сигнал у = F (х) =

F (w, С, + на I / 1 / L + и / A +. +. + w "х") 1

Отделни Изкуствени (официални) неврони заедно в изкуствена невронна мрежа. Сигналът, получен на изхода мрежа (понякога се нарича "мрежата отговор"), ще се определя не само функции и теглото на съставните неврони, но също така как невро-HN свързани. Структурата на връзките между неврони се нарича etsya мрежова архитектура.

Има два основни класове на мрежови архитектури:

1. Layered мрежи (обратно разпространение на мрежата). Както името на тази архитектура, невроните в него са разположени в няколко слоя. Невроните на първия слой, получени входни сигнали, ги превръщат и предаване неврони във втория слой. На следващо място, задействана с втори слой и така нататък до последния слой, който извежда крайната "мрежата отговор" за потребителя. Обикновено, всеки неврон слой / (предишен) е свързан към всеки неврон на слоя I + 1 (след). Броят на неврони във всеки слой поотделно и не напредва поради броя на невроните в различни слоеве. Повечето раси, обемна трислойна мрежа, състояща се от вход, скрити и изходни слоеве. Схематична диаграма на архитектурата на мрежата е показано на фиг.

2. Мрежова комуникация пълен. В такъв архитектура мрежа Con-всички неврони са свързани помежду си: всеки от тях предава изходящ сигнал към всички неврони на мрежата, включително себе си. Реакцията се основава на мрежа Ing сигналите на няколко или всички неврони след няколко цикъла на мрежата.

В практическата работа с невронни мрежи на персонален компютър, не е необходимо да се изгради мрежа от "от нулата". Специалните програми, които вече имат стандартен набор от архитектури, отговарящи на различни типове задачи. Обикновено това е достатъчно, за да изберете лагер стандарт архитектура и го адаптира (обикновено чрез премахване на депозити на излишък) в съответствие с този проблем да бъде решен.

Както вече беше посочено, в основата на концепцията за невронни мрежи съпругите поло постулира, че сложността на мозъка се определя от връзките между невроните, които могат да бъдат моделирани с помощта на прости авто-изтривалки. Известно е, че количеството на информацията, предавана между невроните, е много малък (няколко бита) и СКО растеж сигнализация милиони пъти по-малко, отколкото в съвременните електронни процесори. Ето защо: 1) на мозъка решава проблема не чрез последователна поредица от взаимодействия, както и стартирането на няколко Па паралелни програми; 2) основната информация не се предава директно, но се улавя и се разпределя в връзките между невроните. С известно преувеличение можем да кажем, че подходът на невронна мрежа осъществява на принципа на "комуникация структура - всички свойства на елементи -. Нищо"

Този имот е разрешено да приложи на практика начин-ността на изучаването на машината чрез пример. Уникалността на невронните Lo-Дрен е, че те решават различни задачи, в съответствие с които първоначално не са включени в него софтуерни алгоритми, както и алгоритми, които се произвеждат, учене на снимачната площадка на примера.

Разликите между "класическия" изчислителна машина (фон Нойман) и биологичната невронна SE-tyami, принципите на организация, които са били приети от INS, систематизирани в следната таблица:

Биологична нервна система