Это интересно

  • ОКД
  • ЗКС
  • ИПО
  • КНПВ
  • Мондиоринг
  • Большой ринг
  • Французский ринг
  • Аджилити
  • Фризби

Опрос

Какой уровень дрессировки необходим Вашей собаке?
 

Полезные ссылки

РКФ

 

Все о дрессировке собак


Стрижка собак в Коломне

Поиск по сайту

Главная » Журнал » Нейрокомпьютеры журнал

Journal Neurocomputers №7 - 2016 year. Нейрокомпьютеры журнал


Журнал Нейрокомпьютеры: разработка, применение | Инженерия Знаний

От нейросетевой модели к конструкциям запоминающих устройств, обладающих принципиально новыми полезными свойствами

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Описаны конструкции запоминающих устройств нового типа с распределенной и суперпозиционной записью. Наличие отдельных записей обнаруживается путем вычисления коэффициентов корреляции. Конструкция базового корреляционного запоминающего устройства получена преобразованием базовой нейросетевой модели с двоичными кодами. Указаны достоинства и недостатки устройств. Обсуждаются возможности практической реализации и применения устройств. В. Ф. Соломатин к. т. н, научн. сотр. лаб. физиологии высшей […]

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Рассмотрена модель нейронной структуры управления сокращением парой мышц-антогонистов. Представлены модель мышечного волокна и афферентного нейрона как универсального преобразователя сенсорной информации в импульсный поток. Проведены численные эксперименты, показавшие качественную адекватность поведения предложенных математических моделей их биологическим прототипам. А. В. Бахшиев вед. программист Центрального научно-исследовательского института робототехники и технической кибернетики, г. Санкт-Петербург. С. П. Романов д. биол. […]

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Сопоставляется структура одномерной 5-слойной нейроадаптивной системы управления с организацией управления одним параметром в нервной системе. Представлены результаты исследования формирования управляющей функции нервной системой в задаче удержания изометрического усилия. Показаны особенности структурной организации между основными блоками на разных уровнях управления и предполагаемая функция послойной организации сети из однородных нейронов. С. П. Романов д. биол. н., вед. […]

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Обсуждены вопросы использования нейронных сетей при решении обратных задач измерительной техники. Особое внимание обращено на реализацию радиально-базисных сетей в задачах обработки аналитических сигналов. Описано программное средство анализа и интерпретации результатов хромато-масс-спектрометрического анализа. Т. З. Хабурзания — аспирант Петербургского политехнического университета.

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Рассмотрена проблема оценивания пропускной способности каналов передачи данных в распределенных вычислительных системах, в частности при обучении распределенных искусственных нейронных сетей, по пассивным наблюдениям за каналами передачи данных. Описывается линейная модель оценивания, сравниваются четыре метода оценивания, проводятся сравнительные эксперименты и делается вывод о наиболее применимом методе. А. Т. Вахитов аспирант каф. системного программирования математико-механического факультета СПбГУ. […]

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Рассмотрен подход к идентификации телеметрических параметров на основе частотно-рангового распределения с применением нейронных сетей. Телеметрический сигнал представляется в виде вектора характеристик. Для формирования вектора характеристик используются характеристики, получаемые в результате аппроксимации частотно-ранговой зависимости. На основе полученных векторов характеристик строится нейронная сеть. При помощи нейронной сети проводится идентификация новых телеметрических параметров, представленных в виде вектора характеристик. […]

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Обсуждаются принципы построения когнитивных модулей для реализации технических когнитивных систем, определяющих современное состояние информатики и искусственного интеллекта. Рассматриваются методы представления, обработки и формирования когнитивных функций в модулях нейрологического типа. Дается пример построения нейросетевого модуля с нечетко-логическим базисом. Описываются алгоритмы работы когнитивного модуля триангуляционного типа. Рассматриваются варианты когнитивных структур из таких модулей, способных моделировать когнитивные процессы. […]

 

Ноябрь 01st, 2009 подробнее

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №11, 2009

Рассмотрены вопросы применения нечетко-нейросетевого подхода для моделирования управляемого движения морских динамических объектов. Предложена модель нечеткой динамической системы. Указаны методы ее структурного и параметрического синтеза. Изложены принципы параллельно-распределенной реализации модели на основе многослойных сетей с нечеткими и стандартными нейронами. Ю. Л. Сиек докт. техн. наук, проф. Санкт-Петербургского государственного морского технического университета. Соэ Мин Лвин аспирант Санкт-Петербургского […]

 

Ноябрь 01st, 2009 подробнее

neurocomp.ru

Нейрокомпьютер - это... Что такое Нейрокомпьютер?

Нейрокомпьютер — устройство переработки информации на основе принципов работы естественных нейронных систем.[1] Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.

История

Термины нейрокибернетика, нейроинформатика, нейрокомпьютеры вошли в научный обиход недавно — в середине 80-х годов XX века. Однако электронный и биологический мозг постоянно сравнивались на протяжении всей истории существования вычислительной техники. Знаменитая книга Н. Винера «Кибернетика» (1948)[2] имеет подзаголовок «Управление и связь в животном и машине».

Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967)[3], а также Адалин, разработанный Уидроу (Widrow) и Хоффом (1960) на основе дельта-правила (формулы Уидроу)[4]. В настоящее время Адалин (адаптивный сумматор, обучающийся по формуле Уидроу) является стандартным элементом многих систем обработки сигналов и связи.[5] В этом же ряду первых нейрокомпьютеров находится программа «Кора», разработанная в 1961 году под руководством М. М. Бонгарда[6].

Большую роль в развитии нейрокомпьютинга сыграла монография Розенблатта (1958)[7].

Идея нейро-бионики (создания технических средств на нейро-принципах) стала интенсивно реализовываться в начале 1980-х гг. Импульсом было следующее противоречие: размеры элементарных деталей компьютеров сравнялись с размерами элементарных «преобразователей информации» в нервной системе, было достигнуто быстродействие отдельных электронных элементов в миллионы раз большее, чем у биологических систем, а эффективность решения задач, особенно связанных задач ориентировки и принятия решений в естественной среде, у живых систем пока недостижимо выше.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

В отличие от цифровых систем, представляющих собой комбинации процессорных и запоминающих блоков, нейропроцессоры содержат память, распределённую в связях между очень простыми процессорами, которые часто могут быть описаны как формальные нейроны или блоки из однотипных формальных нейронов. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями. Подход, основанный на представлении как памяти данных, так и алгоритмов системой связей (и их весами), называется коннекционизмом.

Три основных преимущества нейрокомпьютеров:

  1. Все алгоритмы нейроинформатики высокопараллельны, а это уже залог высокого быстродействия.
  2. Нейросистемы можно легко сделать очень устойчивыми к помехам и разрушениям.
  3. Устойчивые и надёжные нейросистемы могут создаваться и из ненадёжных элементов, имеющих значительный разброс параметров.

Разработчики нейрокомпьютеров стремятся объединить устойчивость, быстродействие и параллелизм АВМ — аналоговых вычислительных машин — с универсальностью современных компьютеров.[8]

Проблема эффективного параллелизма

На роль центральной проблемы, решаемой всей нейроинформатикой и нейрокомпьютингом, А. Горбань[9] предложил проблему эффективного параллелизма. Давно известно, что производительность компьютера возрастает намного медленнее, чем число процессоров. М. Минский сформулировал гипотезу: производительность параллельной системы растёт (примерно) пропорционально логарифму числа процессоров — это намного медленнее, чем линейная функция (Гипотеза Минского).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом нейросети позволяют эффективно использовать параллелизм.

Современные нейрокомпьютеры

Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.

Эти интеллектуальные изобретения[10] существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»[11]: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):

  1. Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.
  2. Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители[12] (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия),[13] процессор NeuroMatrix[14]. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение»[15]. Проводятся ежегодные конференции по нейрокомпьютерам[16]. С технической точки зрения сегодняшние нейрокомпьютеры — это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.

Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера[17]: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.

Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

Новый поворот — «влажный продукт»

В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение — «мягкий продукт») и Hardware (электронное аппаратное обеспечение — «твёрдый продукт»), эти разработки получили наименование Wetware (англ.) — «влажный продукт».

В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire (англ.)).[18] В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки. [19]

Распространено также и другое определение термина «Wetware» — человеческий компонент в системах «человек-компьютер».

Применения

  1. Управление в реальном времени[20][21], в том числе:
    • самолётами и ракетами[22],
    • технологическими процессами непрерывного производства (в энергетике, металлургии и др.)[23],
    • гибридным двигателем автомобиля[24],
    • пневмоцилиндром[25],
    • сварочным аппаратом [26],
    • электропечью[27],
    • турбогенератором[28].
  2. Распознавание образов:
    • изображений[29], человеческих лиц[30], букв и иероглифов, отпечатков пальцев в криминалистике, речи, сигналов радара и сонара,
    • элементарных частиц и происходящих с ними физических процессов (эксперименты на ускорителях или наблюдение за космическими лучами),
    • заболеваний по симптомам (в медицине)[31],
    • местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам),
    • признаков опасности в системах безопасности,
    • свойств химических соединений по структуре (в хемоинформатике)[32]
  3. Прогнозирование в реальном времени:
    • погоды,
    • курса акций (и других финансовых показателей)[33],
    • исхода лечения,
    • политических событий (результатов выборов, международных отношений и др.)[34][35],
    • поведения противника (реального или потенциального) в военном конфликте и в экономической конкуренции,
    • устойчивости супружеских отношений.
  4. Оптимизация — поиск наилучших вариантов:
    • при конструировании технических устройств,[36]
    • при выборе экономической стратегии,
    • при подборе команды (от сотрудников предприятия до спортсменов и участников полярных экспедиций),
    • при лечении больного.
  5. Обработка сигналов при наличии больших шумов.
  6. Протезирование («умные протезы») и усиление естественных функций[37], в том числе — за счёт прямого подключения нервной системы человека к компьютерам (Нейро-компьютерный интерфейс).
  7. Психодиагностика[38][39][40]
  8. Телекоммуникационное мошенничество, его обнаружение и предотвращение с помощью нейросетевых технологий — по мнению некоторых специалистов[41] являются одной из самых перспективных технологий в области защиты информации в телекоммуникационных сетях.

См. также

Литература

Примечания

  1. ↑ Дунин-Барковский В. Л., Нейрокибернетика, Нейроинформатика, Нейрокомпьютеры, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
  2. ↑ Винер Н., Кибернетика, или Управление и связь в животном и машине. / Пер. с англ. И. В. Соловьева и Г. Н. Поварова; Под ред. Г. Н. Поварова. — 2-е издание. — М.: Наука, 1983. — 344 с.
  3. ↑ Neural networks-then and now
  4. ↑ Королев Л. Н. Нейрокомпьютинг, нейросети и нейрокомпьютеры
  5. ↑ Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. — 440 c.
  6. ↑ Бонгард М. М., Проблема узнавания М.: Физматгиз, 1967. Другая копия онлайн: [1]
  7. ↑ Rosenblatt, F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. In, Psychological Review, Vol. 65, No. 6, pp. 386—408, November, 1958. Lancaster, PA and Washington, DC: American Psychological Association, 1958. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга — М.: Мир, 1965.
  8. ↑ Горбань А. Н. Нейрокомпьютер, или Аналоговый ренессанс, Мир ПК, 1994, № 10, 126—130.
  9. ↑ Горбань А. Н., Кто мы, куда мы идем, как путь наш измерить?, Пленарный доклад на открытии конференции Нейроинформатика-99, МИФИ, 20 января 1999. Журнальный вариант: Горбань А. Н., Нейроинформатика: кто мы, куда мы идем, как путь наш измерить // Вычислительные технологии. — М.: Машиностроение. — 2000. — № 4. — С. 10-14. = Gorban A.N., Neuroinformatics: What are us, where are we going, how to measure our way? The Lecture at the USA-NIS Neurocomputing Opportunities Workshop, Washington DC, July 1999 (Associated with IJCNN’99)
  10. ↑ Савельев А. В., Нейрокомпьютеры в изобретениях // «Нейрокомпьютеры: разработка, применение»., М. Радиотехника, 2004, № 2-3, с. 33-49.
  11. ↑ Миркес Е. М., Нейрокомпьютер. Проект стандарта. — Новосибирск: Наука, 1999. — 337 с ISBN 5-02-031409-9 Другие копии онлайн: [2]
  12. ↑ Савельев А. В., Нейроускоритель. Neural Network accelerator // Свид. о регистрации программы для ЭВМ № 2003610307, заявка 2002612174, 2003.
  13. ↑ Шахнов В., Власов А., Кузнецов А., Нейрокомпьютеры — архитектура и реализация. Часть 1. ChipNews, 2000, N 5; Часть 2. Элементная база нейровычислителей. ChipNews, 2000, N 6; Часть 3.Аппаратная реализация нейровычислителей. ChipNews, 2001, 1.
  14. ↑ Процессор цифровой обработки сигналов Л1879ВМ1 (NM6403) НТЦ «Модуль»
  15. ↑ Журнал «Нейрокомпьютеры: разработка, применение».
  16. ↑ Савельев А.В.X ВСЕРОССИЙСКАЯ НАУЧНАЯ КОНФЕРЕНЦИЯ "НЕЙРОКОМПЬЮТЕРЫ И ИХ ПРИМЕНЕНИЕ" НКП-201
  17. ↑ Горбань А. Н. Обучение нейронных сетей, изд. СССР-США СП «Параграф», 1990, 160 с.
  18. ↑ Patolsky F., Timko B.P., Yu G., Fang Y., Greytak A.B., Zheng G., and Lieber C.M. «Detection, Stimulation, and Inhibition of Neuronal Signals with High-Density Nanowire Transistor Arrays» (англ.) // Science. — 25 August 2006. — В. 313. — № 5790. — С. 1100—1104. — DOI:10.1126/science.1128640
  19. ↑ Mazzatenta A., Giugliano M., Campidelli S., Gambazzi L., Businaro L., Markram H., Prato M., and Ballerini L. «Interfacing Neurons with Carbon Nanotubes: Electrical Signal Transfer and Synaptic Stimulation in Cultured Brain Circuits» (англ.) // The Journal of Neuroscience. — 27 June 2007. — № 27. — С. 6931-6936. — DOI:10.1523/​JNEUROSCI.1051-07.2007
  20. ↑ Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. — М.: Высшая школа, 2002. — С. 184. — ISBN 5-06-004094-1
  21. ↑ Тюкин И. Ю., Терехов В. А., Адаптация в нелинейных динамических системах, (Серия: Синергетика: от прошлого к будущему), Санкт-Петербург: ЛКИ, 2008. — 384 с. ISBN 978-5-382-00487-7
  22. ↑ Применение нейрокомпьютеров в ракетно-космической технике. Сборник статей. Ефимов В. В. (ред). — М.: Радиотехника, 2006. — 144 C.
  23. ↑ Галушкин А. И. Применение нейрокомпьютеров в энергетических системах, М.: Научный центр нейрокомпьютеров, 1997.
  24. ↑ Danil V. Prokhorov. Toyota Prius HEV Neurocontrol and Diagnostics // Neural Networks. – 2008. – No. 21. – P. 458 - 465
  25. ↑ Змеу К.В., Марков Н.А., Шипитько И.А., Ноткин Б.С. Безмодельное прогнозирующее инверсное нейроуправление с регенерируемым эталонным переходным процессом // Интеллектуальные системы. – 2009. – № 3. – С. 109 – 117.
  26. ↑ D’Emilia G., Marrab A., Natalea E. Use of neural networks for quick and accurate auto-tuning of PID controller // Robotics and Computer-Integrated Manufacturing. – 2007. – Vol. 23. – P. 170 – 179.
  27. ↑ Dias F.M., Mota A.M. Comparison between Different Control Strategies using Neural Networks // 9th Mediterranean Conference on Control and Automation. – Dubrovnik, Croatia, 2001
  28. ↑ Venayagamoorthy G.K., Harley R.G., Wunsch D.C. Implementation of Adaptive Critic-based Neurocontrollers for Turbogenerators in a Multimachine Power System, IEEE Transactions on Neural Networks. – 2003. – Vol. 14, Issue 5. – P. 1047 – 1064.
  29. ↑ Ruaro M.E., Bonifazi P., and Torre V., Toward the Neurocomputer: Image Processing and Pattern Recognition With Neuronal Cultures, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 52, NO. 3, MARCH 2005, 371—383.
  30. ↑ Micheli-Tzanakou, E., Uyeda, E., Ray, R., Sharma, A., Ramanujan, R., Dong, J., Comparison of Neural Network Algorithms for Face Recognition, SIMULATION 65 (1995), 37-51
  31. ↑ Россиев Д. А., Медицинская нейроинформатика, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
  32. ↑ И. И. Баскин, В. А. Палюлин, Н. С. Зефиров. Применение искусственных нейронных сетей для прогнозирования свойств химических соединений // Нейрокомпьютеры: разработка, применение. - 2005. - № 1 - 2. - С. 98 - 101.
  33. ↑ Галушкин А. И., Применения нейрокомпьютеров в финансовой деятельности.
  34. ↑ Миркес Е. М.,Логически прозрачные нейронные сети и производство явных знаний из данных, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
  35. ↑ Borisyuk, R., Borisyuk, G., Rallings, C., and Thrasher, M. Forecasting the 2005 General Election: A Neural Network Approach. British Journal of Politics and International Relations. 7(2) (2005), 199—209.
  36. ↑ Терехов С. А., Нейросетевые информационные модели сложных инженерных систем, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
  37. ↑ Morillas C., Romero S., Martinez A., Pelayo F., Reyneri L., Bongard M., Fernandez, E., A neuroengineering suite of computational tools for visual prostheses, Neurocomput., 70 (16-18) (2007), 2817—2827.
  38. ↑ Gorban A.N., Rossiyev D.A., Dorrer M.G., MultiNeuron — Neural Networks Simulator For Medical, Physiological, and Psychological Applications, Wcnn’95, Washington, D.C.: World Congress on Neural Networks 1995 International Neural Network Society Annual Meeting : Renaissance Hotel, Washington, D.C., USA, July 17-21, 1995.
  39. ↑ Dorrer M.G., Gorban A.N., Kopytov A.G., Zenkin V.I., Psychological Intuition of Neural Networks. Proceedings of the 1995 World Congress On Neural Networks, A Volume in the INNS Series of Texts, Monographs, and Proceedings, Vol. 1, 1995, 193—196.
  40. ↑ Доррер М. Г., Психологическая интуиция искусственных нейронных сетей, Дисс. … 1998. Другие копии онлайн: [3]
  41. ↑ Taniguchi M., Haft M., Hollm\'en J., Tresp V., Fraud detection in communications networks using neural and probabilistic methods, In Proceedings of the 1998 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP’98), volume II, pages 1241—1244, 1998.

dic.academic.ru

Neurocomputers Publishing house Radiotekhnika

 

Neuro-fuzzy Models and Nets

A.S. Fedulov – Dr.Sc. (Eng.), Professor, Head of the Dept of Computer Engineering, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected] V.V. Borisov – Dr.Sc. (Eng.), Professor, Dept of Computer Engineering, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected]

7-14

O.V. Bulygina – Ph.D. (Econ.), Associate Professor, Department of Management and Information Technolo-gies in Economy, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected] B.V. Okunev – Ph.D. (Eng.), Associate Professor, Department of Management and Information Technologies in Economy, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected]

15-20

Intelligent informational systems

M.I. Dli – Dr. Sc. (Eng.), Professor, Head of the Department of Management and Information Technologies in Economy, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected] O.V. Stoianova – Dr. Sc. (Eng.), Professor, Department of Management and Information Technologies in Economy, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected]

21-28

M.M. Zernov – Ph.D. (Eng.), Associate Professor, Department of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected]

29-33

A.V. Senkov – Ph.D. (Eng.), Associate Professor, Department of Computer Engineering, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected] M.S. Margolin – Post-graduate Student, Department of Computer Engineering, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected] E.V. Sorokin – Post-graduate Student, Department of Computer Engineering, Branch of National Research University “Moscow Power Engineering Institute” in Smolensk. E-mail: [email protected]

34-38

Neurocomputers in Informatic and Expert Systems

A.E. Misnik – Post-graduate Student, Dept of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] V.V. Borisov – Dr.Sc. (Eng.), Professor, Dept of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected]

39-46

M.I. Dli – Dr.Sc. (Eng.), Professor, Head of the Department of Management and Information Technologies in Economy, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] A.Y. Puchkov – Ph.D. (Eng.), Associate Professor, Department of Management and Information Technolo-gies in Economy, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected]

47-50

S.V. Panchenko – Dr.Sc. (Eng.), Professor, Department of Industrial Power System, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] A.Y. Puchkov – Ph.D. (Eng.), Associate Professor, Department of Management and Information Technologies in Economy, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] Yu.V. Selyavskiy – Post-graduate Student, Department of Management and Information Technologies in Economy, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected]

51-56

Genetic Algorithms

M.I. Zernov – Dr.Sc. (Mil.), Professor, Department of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] V.I. Sak-Sakovsky – Dr.Sc. (Mil.), Professor, Department of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] A.V. Senkov – Ph.D.(Eng.), Associate Professor, Department of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] D.S. Bukachev – Ph.D. (Phys.-Math.), Associate Professor, Department of Mathematics and Computer Science, Smolensk State University.

57-60

Neurocomputers in Image Processing Systems

K.I. Sviridenkov – Ph.D. (Eng.), Associate Professor, Department of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] O.V. Gorchakova – Master of Science, Department of Computer Engineering, Branch of National Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected]

61-64

Neurocomputers in Signal Processing Systems

V.L. Eliseev – Ph.D. (Eng.), Associate Professor, Department of Management and Informatics, National Research University «Moscow Power Engineering Institute». E-mail: [email protected] K.I. Sviridenkov – Ph.D. (Eng.), Associate Professor, Department of Computer Engineering, Branch of Na-tional Research University «Moscow Power Engineering Institute» in Smolensk. E-mail: [email protected] G.F. Filaretov – Dr.Sc. (Eng.), Professor, Department of Management and Informatics, National Research University «Moscow Power Engineering Institute». E-mail: [email protected]

74-78

www.radiotec.ru

Сoncepts extending of a neural computer and neurocomputing Publishing house Radiotekhnika

 

Keywords: concept extending neural computer strong and weak neurocomputing creative neurocomputing necessary potentiality principle overlap principle soputer sonputer neurointernet neural social network super neural computers life phenomenon simulation non-analitic simulation heterarhy neural control biological congruence collective communicative universalism neural information super-complex systems

The results of research opportunities, alternative routes and future prospects of the Information Society and neurocomputing as an extension of his concept in a range of important social attribute to the global metaphor are presented. The futuristic study of possible further transformations of computers, neurocomputing and the Internet in the 21-st century are presented. The concepts of strong and weak neurocomputing are introduced. The relationship a strong understanding of neurocomputing with the basic introduced concepts of neuroliving matter – the principles of necessary potentiality and the overlap principle is reasearched. A wide analysis of traditional and possible future directions of neurocomputing and investigation of its similarities are presented, the results of the study of global networking as a common form of movement and the possible consequences of this are presented. It is concluded that this diversity can and should join the single idea, as is well-suited a collective communicative universalism. Queries knowledge and life cannot meet the limited results are achieved by neurocomputer paradigm in the weak sense of the word. This inevitably requires going beyond the transcendentalism, cognitivism and phenomenological reduction, no matter how modern they did not seem, as only the way out its beyond leads to an ultra-modern tomorrow.

References:

  1. http://ru.wikipedia.org/wiki/Nejrokomp'yuter
  2. http://ru.wikipedia.org/wiki/Iskusstvennaya_nejronnaya_set'
  3. BaseGroup Labs – Prakticheskoe primenenie nejrosetej v zadachax klassifikaczii, http://www.basegroup.ru/neu­ral/practice.htm
  4. Zhurnal «Nejrokomp'yutery': razrabotka, primenenie». http://www.radiotec.ru/catalog.php?cat=jr7
  5. Petrunin Ju.Ju., Ryazanov M.A., Savel'ev A.V. Filosofiya iskusstvennogo intellekta v konczepcziyax nejronauk. Nauch. monografiya. M.: MAKS Press. 2010.
  6. Alyautdinov M.A., Galushkin A.I., Troepol'skaya G.V. Perspektivny'e sredstva postroeniya vy'sokoproizvoditel'ny'x masshtabiruemy'x vy'chislitel'ny'x sistem // Nejrokomp'yutery': razrabotka, primenenie. 2008. № 8. C. 33-49.
  7. Savel'ev A.V. Primenimost' nejroinformaczionnoj metodologii k zhivy'm sistemam // V sb. materialov konferenczii «Iskusstvenny'j intellekt. Intellektual'ny'e sistemy' (II2008)». Doneczk–Taganrog–Minsk, 2008. S. 223–227.
  8. Savel'ev A.V. Ontologiya nejrosetevizma. Internet i nejrokomp'yutery' // V sb. «Nejrokomp'yutery' i ix prilozheniya». M.: IPU. 2001. S. 699–702.
  9. Savel'ev A.V. Na puti k obshhej teorii nejrosetej. K voprosu o slozhnosti // Nejrokomp'yutery': razrabotka i primenenie. 2006. № 4–5. S. 4–14. http://www.neurones.ru/articles-article-202.html; http://depositfiles.com/files/7tcywk8f q
  10. Savel'ev A.V. Rasshirenie ponyatiya nejrokomp'yutera // V materialax konf. «Nejrokomp'yutery' i ix primenenie». M.: MGPPU. 2012. S. 65–66. http://it.mgppu.ru/confnc2012/
  11. Gödel K. Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme, I. Monatshefte für Mathematik und Physik. № 38. P. 173–98.
  12. Gladkov L.A., Kurejchik V.V., Kurejchik V.M. Geneticheskie algoritmy'. M.: Fizmatlit. 2010.
  13. Costa da N.C.A., Beziau J.Y., Otavio O.A.S.. Malinowski and Suszko on manyvalued logics: On the reduction of many_valuedness to two_valuednes // Modern Logic. 1996. V. 6. № 3. P. 272–299.
  14. Sergin A.V., Sergin V.Ja. Ierarxiya ob''emlyushhix xarakteristik kak klyuchevoj apparat sub''ektivnogo vospriyatiya // Nejrokomp'yutery': razrabotka i primenenie. 2013. № 2. S. 20–29.
  15. Savel'ev A.V. Internet i nejrokomp'yutery' kak socziotexnologicheskie strategii iskusstvennogo mira // Filosofskie nauki. 2004. №6. S. 100–113. http://www.sciteclibrary.ru/rus/catalog/pages/7759.html
  16. Kolushov V.V., Savel'ev A.V. Metodologiya individual'no-kollektivnogo modelirovaniya nejronnoj biovozbudimosti kak novaya nejrokomp'yuternaya paradigma // Nejrokomp'yutery': razrabotka, primenenie. 2010. № 8. S. 25(34. http://www.ec-ai.ru/default.asp?article=3
  17. Alekseev A.Ju. Protonejrokomp'yuter Korsakova kak mirovoj prioritet nejrokomp'yutera // Nejrokomp'yutery': razrabotka, primenenie. 2013. № 7.
  18. Jankovskaya E.A. Geterarxiya nejrokomp'yutinga // Nejrokomp'yutery': razrabotka, primenenie. 2013. № 7.
  19. Savel'ev A.V. Nejrobioupravlenie – novaya paradigma vy'chislitel'ny'x nejroissledovanij // VIII Mezhdunar. mezhdiscziplinarny'j kongress «Nejronauka dlya medicziny' i psixologii». Sudak, 2012. S. 347–348. http://brainres.ru
  20. Savel'ev A.V. Nejrokomp'yutery' v izobreteniyax // Nejrokomp'yutery': razrabotka, primenenie. 2004. № 2–3, S. 33–49.
  21. Liberman E.A. Kletka kak molekulyarny'j komp'yuter. Biofizika. 1972. T. 17. S. 932.
  22. Savel'ev A.V. Metodologicheskij realizm aktivnosti dendritny'x membran v nejrokomp'yuterny'x modelyax // Materialy' XIV Vseros. seminara «Nejroinformatika i ee prilozheniya». Institut vy'chislitel'nogo modelirovaniya SO RAN. Krasnoyarsk, 2007. S. 124–127.
  23. Bishop G.H. The dendrite: receptive pole of neurone // EEG and Clin. Neurophysiol. Suppl. 1958. V. 10. № 35. P. 12–21.
  24. Gutman A.M. Dendrity' nervny'x kletok. Teoriya, e'lektrofiziologiya, funkcziya. Vil'nyus: Mokslas. 1984. C. 22–112.
  25. Savel'ev A.V. Nejrologicheskie aspekty' kletochnoj nejromatematiki // Iskusstvenny'j intellekt. NAN Ukrainy', Doneczk. 2008. № 4. S. 612–623. http://dspace.nbuv.gov.ua/handle/123456789/7583
  26. Savel'ev A. V. Metodologiya sinapticheskoj samoorganizaczii i problema distal'ny'x sinapsov nejronov // Zhurnal problem e'volyuczii otkry'ty'x sistem. Kazaxstan, Almaty'. 2006. № 2 (8). S. 96–104.
  27. Stepanyan I.V., Cy'gankov V.D. Strukturny'e analogii i obshhie zakonomernosti kvantovy'x nejronny'x setej i geneticheskix matricz mitoxondrij cheloveka i pozvonochny'x // Nejrokomp'yutery': razrabotka, primenenie. 2011. № 11. S. 53–63.
  28. Liberman E.A. Zhivaya kletka. M.: Nauka. 1982. 161 s.
  29. Geletyuk V.I., Kazachenko V.N. Klasternaya organizacziya ionny'x kanalov. M.: Nauka. 1990.
  30. Larsson H.P., Baker O.S., Dhillon D.S., Isaeoff E.Y. Transmembrane movement of the Shaker K+ channel S4. // Neuron. 1996. V. 16. P. 387–397.
  31. Savel'ev A.V. Konczepcziya mnogoproczessornogo nejrona // V materialax: Mezhdunar. nauch. konf. «Iskusstvenny'j intellekt. Intellektual'ny'e i mnogoproczessorny'e sistemy'» (II-IMS’2006). S. 185–193; III Mezhdunar. nauch. molodezhnoj shkoly' «Vy'sokoproizvoditel'ny'e vy'chislitel'ny'e sistemy'» (VPVS-2006). S. 293–300; II Mezhdunar. nauch. molodezhnoj shkoly' «Nejroinformatika i sistemy' assocziativnoj pamyati» (NEJRO-2006). S. 38–45.
  32. Savel'ev A.V. Obzor izobretenij v oblasti nejrokibernetiki i nejromodelirovaniya // Radioe'lektronika. Informatika. Upravlenie. ZNTU, Ukraina. 2007. № 2(18). S. 101–111.
  33. Savel'ev A.V. Nejroe'kzistenczial'noe modelirovanie diffuzionno-sinergeticheskix aspektov ob''yomnogo nejrotransmittinga: nejrokibernetika v nejrobiologii // XV Mezhdunar. konf. po nejrokibernetike (ICNC-09). Rostov-na-Donu, 2009. T. 2. S. 161–164.
  34. Laudan L. Nauka i czennosti // Sovremennaya filosofiya nauki. M.: Nauka. 1994. S. 197–234.
  35. Foucault M. Les mots et les choses. Une Archeologie des Sciences Humaines Gallimard. 1966.
  36. Alekseeva I.Ju., Petrunin Ju.Ju., Savel'ev A.V. Filosofiya modelirovaniya kak meta-metodologiya v nejroinformaczionny'x texnologiyax i iskusstvennom intellekte // reczenziruemy'j zhurnal VAK Vestnik MGU. Ser. 7 «Filosofiya». № 2. 2007. S. 47.
  37. Gegel' G.V.F. Soch. T. 29. M.: Izd-vo AN SSSR. 1956. S. 214.
  38. Lassue'l, G. Kommunikativny'j proczess i ego struktury' // Sovremenny'e problemy' soczial'noj kommunikaczii. SPb., 1996. S. 124–146.
  39. Savel'ev A.V. Nejrofizika mozga i nejromodelirovanie // Zhurnal problem e'volyuczii otkry'ty'x sistem. Kazaxstan, Almaty', 2008. № 1 (9). S. 93–101.
  40. Savel'ev A.V. Kriticheskij analiz funkczional'noj roli modul'noj samoorganizaczii mozga // Nejrokomp'yutery': razrabotka, primenenie. 2008. № 5–6. S. 4–17. http://neurones.ru/articles-article-64.html
  41. Savel'ev A.V. Realizm teorii modul'noj samoorganizaczii mozzhechka // Zhurnal problem e'volyuczii otkry'ty'x sistem. Kazaxstan, Almaty', 2007. № 1 (9). S. 93–101.
  42. Delyoz Zh. Razlichie i povtorenie. SPb., 1998. S. 79.
  43. Savel'ev A.V. Obshhestvo kak global'ny'j nejrokomp'yuter // Filosofiya v sovremennom mire: dialog mirovozzrenij. Tezisy' dokladov VI Rossijskogo filosofskogo kongressa. Nizhnij Novgorod, 27–30 iyunya 2012. http://rfk2012.unn.ru/program/participants.html
  44. http://gf2045.ru/
  45. Platon Gosudarstvo. Sobr. soch. v 3-x tt. T. 3. M., 1971. http://www.philosophy.ru/library/plato/01/0.html
  46. Rizzolatti G., Craighero L. The mirror-neuron system. Annu. Rev. Neuroscience. 2004. V. 27. P. 169-192.
  47. Medvedev S.V. Chto znaet nauka o mozge http://wsyachina.narod.ru/biology/brain_1.html
  48. Mokshadxarma. (The Mahabharata in Sanskrit). http://www.sacred-texts.com/hin/mbs/mbs12168.htm; Smirnov B.L. Maxabxarata V, chast' I – Mokshadxarma (Osnova osvobozhdeniya), chast' – Narayaniya. Kn. 12, gl. 174-367, shloki 6457– 13943 // Izdatel'stvo AN TSSR. Ashxabad. 1961.
  49. http://2045.ru

www.radiotec.ru

Neurocomputers Publishing house Radiotekhnika

 

Cybernetics of living: the twenty-first century

Neurophysiological Models of Neural Networks

G.S. Voronkov – Dr.Sc. (Biol.), Leading Research Scientist, Biological Faculty, М.V. Lomonosov\'s Moscow State University, Moscow. E-mail: [email protected]

11-19

V.I. Orlov – Senior Research Scientist, RSI of neurocybernetics by A.B. Kogan named, Southern Federal University (Rostov-on-Don). E-mail: [email protected] A.I. Vislobokov – Dr.Sc. (Biol.), Head of the Department of Neural Pharmacology, Senior Research Scientist, Institute of Pharmacology by A.V. Waldman named, PSPbSMU by Academician I.P. Pavlov named (St. Petersburg). E-mail: [email protected] K.N. Mel’nikov – Ph.D. (Med.), Head of the Laboratory of Neural Pharmacology, Senior Research Scientist, Institute of Pharmacology by A.V. Waldman named, PSPbSMU by Academician I.P. Pavlov named (St. Petersburg). E-mail: [email protected] A.G. Sukhov – Dr.Sc. (Biol.), Head of the Department, RSI of neurocybernetics by A.B. Kogan named, Southern Federal University (Rostov-on-Don). E-mail: [email protected] E.A. Marutkina – Undergraduate of specialized master\'s program «Bio and Neuroinformatics» of Biological Academy and Biotechnology, RSI of neurocybernetics by A.B. Kogan named, Southern Federal University (Rostov-on-Don). E-mail: [email protected]

20-26

N.V. Selezneva – Dr.Sc. (Eng.), Professor, Moscow State University of Instrument Engineering and Computer Science

27-34

Neurocomputers and Society

A.V. Savelyev – Senior Research Scientist, Head of the Patent agency «©Uniquely honest patenting» www.patenttt.narod.ru (Moscow). E-mail: [email protected]

35-43

Neurocomputers in Psichology and Medicine

M.V. Guseva – Leading Engineer, Chair of Embryology of Biological Department, Lomonosov Moscow State University. E-mail: [email protected] V.B. Gusev – Ph.D. (Phys.-Math.), Head of Laboratory of Self-Developing Systems Control, V.A. Trapeznikov Institute of Control Sciences Problem RAS (Moscow). E-mail: [email protected] A.M. Anokhin – Ph.D. (Eng.), Senior Research Scientist, Laboratory of Self-Developing Systems Control, V.A. Trapeznikov Institute of Control Sciences Problem RAS (Moscow). E-mail: [email protected] A.A. Kamensky – Dr.Sc. (Biol.), Professor, Human and Animal Physiology of Biological Department, Lomonosov Moscow State University T.K. Dubovaya – Dr.Sc. (Med.), Professor, Department of Histology, Embryology and Cytology, N.I. Pirogov Russian National Research Medical University (Moscow). E-mail: [email protected]

44-48

E.A. Sviatlovskaya – Lecturer, Economics and Culture Institute, State Educational Institution Children’s Park “Fili” (Moscow). E-mail: [email protected] E.A. Nikonova – Ph.D. (Biol.), Associate Professor, Economics and Culture Institute, State Educational Institution Children’s Park “Fili” (Moscow). E-mail: [email protected]

49-54

N.M. Fateeva – Dr. Sc. (Biol.), Professor, Department of medical and biologic disciplines and a security of ability to live, of Tyumen State University, Institute of Psychology and Pedagogics A.V. Arefyeva – Ph.D. (Biol.), Associate Professor, Department of medical and biologic disciplines and a security of ability to live, of Tyumen State University, Institute of Psychology and Pedagogics

55-59

Theory of Neural Nets

W.A. Al-Haidri – Post-graduate Student, Department of Biomedical and Electronic Systems and Technology, Vladimir State University. E-mail: [email protected] R.V. Isakov – Ph.D.(Eng.), Associate Professor, Department of Biomedical and Electronic Systems and Technology, Vladimir State University. E-mail: [email protected] L.T. Sushkova – Dr.Sc.(Eng.), Professor, The Head of Biomedical and Electronic Systems and Technology Department, Vladimir State University. E-mail: [email protected]

60-66

A.V. Novikov – Post-graduate Student, Department of Computer Systems and Software Technologies, St.-Petersburg State Polytechnical University. E-mail: [email protected] E.N. Benderskaya – Ph.D.(Eng.), Associate Professor, Department of Computer Systems and Software Technologies, St.-Petersburg State Polytechnical University. E-mail: [email protected]

67-75

www.radiotec.ru

Нейрокомпьютер ру вики

История

Термины нейрокибернетика, нейроинформатика, нейрокомпьютеры вошли в научный обиход недавно — в середине 80-х годов XX века. Однако электронный и биологический мозг постоянно сравнивались на протяжении всей истории существования вычислительной техники. Знаменитая книга Н. Винера «Кибернетика» (1948)[2] имеет подзаголовок «Управление и связь в животном и машине».

Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967)[3], а также Адалин, разработанный Уидроу (англ.)русск. и Хоффом (1960) на основе дельта-правила (формулы Уидроу)[4]. В настоящее время Адалин (адаптивный сумматор, обучающийся по формуле Уидроу) является стандартным элементом многих систем обработки сигналов и связи.[5] В этом же ряду первых нейрокомпьютеров находится программа «Кора», разработанная в 1961 году под руководством М. М. Бонгарда[6].

Большую роль в развитии нейрокомпьютинга сыграла монография Розенблатта (1958)[7].

Идея нейро-бионики (создания технических средств на нейро-принципах) стала интенсивно реализовываться в начале 1980-х гг. Импульсом было следующее противоречие: размеры элементарных деталей компьютеров сравнялись с размерами элементарных «преобразователей информации» в нервной системе, было достигнуто быстродействие отдельных электронных элементов в миллионы раз большее, чем у биологических систем, а эффективность решения задач, особенно связанных задач ориентировки и принятия решений в естественной среде, у живых систем пока недостижимо выше.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

Основная идея —

В отличие от цифровых систем, представляющих собой комбинации процессорных и запоминающих блоков, нейропроцессоры содержат память, распределённую в связях между очень простыми процессорами, которые часто могут быть описаны как формальные нейроны или блоки из однотипных формальных нейронов. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями. Подход, основанный на представлении как памяти данных, так и алгоритмов системой связей (и их весами), называется коннекционизмом.

Три основных преимущества нейрокомпьютеров:

  1. Все алгоритмы нейроинформатики высокопараллельны, а это уже залог высокого быстродействия.
  2. Нейросистемы можно легко сделать очень устойчивыми к помехам и разрушениям.
  3. Устойчивые и надёжные нейросистемы могут создаваться и из ненадёжных элементов, имеющих значительный разброс параметров.

Разработчики нейрокомпьютеров стремятся объединить устойчивость, быстродействие и параллелизм АВМ — аналоговых вычислительных машин — с универсальностью современных компьютеров.[8]

Проблема эффективного параллелизма

На роль центральной проблемы, решаемой всей нейроинформатикой и нейрокомпьютингом, А. Горбань[9] предложил проблему эффективного параллелизма. Давно известно, что производительность компьютера возрастает намного медленнее, чем число процессоров. М. Минский сформулировал гипотезу: производительность параллельной системы растёт (примерно) пропорционально логарифму числа процессоров — это намного медленнее, чем линейная функция (Гипотеза Минского).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом нейросети позволяют эффективно использовать параллелизм.

Современные нейрокомпьютеры

Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.

Эти интеллектуальные изобретения[10] существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»[11]: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):

  1. Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.
  2. Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители[12] (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия),[13] процессор NeuroMatrix[14]. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение»[15]. Проводятся ежегодные конференции по нейрокомпьютерам[16]. С технической точки зрения сегодняшние нейрокомпьютеры — это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.

Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера[17]: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.

Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

Новый поворот — Wetware

В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение) и Hardware (электронное аппаратное обеспечение), эти разработки получили наименование Wetware (англ.).

В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire (англ.)).[18] В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки. [19]

Распространено также и другое определение термина «Wetware» — человеческий компонент в системах «человек-компьютер».

Применения

  1. Управление в реальном времени[20][21], в том числе:
    • самолётами и ракетами[22],
    • технологическими процессами непрерывного производства (в энергетике, металлургии и др.)[23],
    • гибридным (электробензиновым) двигателем автомобиля[24],
    • пневмоцилиндром[25],
    • сварочным аппаратом [26],
    • электропечью[27],
    • турбогенератором[28].
  2. Распознавание образов:
    • изображений[29], человеческих лиц[30], букв и иероглифов, отпечатков пальцев в криминалистике, речи, сигналов радара и сонара,
    • элементарных частиц и происходящих с ними физических процессов (эксперименты на ускорителях или наблюдение за космическими лучами),
    • заболеваний по симптомам (в медицине)[31],
    • местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам),
    • признаков опасности в системах безопасности,
    • свойств химических соединений по структуре (в хемоинформатике)[32]
  3. Прогнозирование в реальном времени:
    • погоды,
    • курса акций (и других финансовых показателей)[33],
    • исхода лечения,
    • политических событий (результатов выборов, международных отношений и др.)[34][35],
    • поведения противника (реального или потенциального) в военном конфликте и в экономической конкуренции,
    • устойчивости супружеских отношений.
  4. Оптимизация — поиск наилучших вариантов:
    • при конструировании технических устройств,[36]
    • при выборе экономической стратегии,
    • при подборе команды (от сотрудников предприятия до спортсменов и участников полярных экспедиций),
    • при лечении больного.
  5. Обработка сигналов при наличии больших шумов.
  6. Протезирование («умные протезы») и усиление естественных функций[37], в том числе — за счёт прямого подключения нервной системы человека к компьютерам (Нейро-компьютерный интерфейс).
  7. Психодиагностика[38][39][40]
  8. Телекоммуникационное мошенничество, его обнаружение и предотвращение с помощью нейросетевых технологий — по мнению некоторых специалистов[41] являются одной из самых перспективных технологий в области защиты информации в телекоммуникационных сетях.
    • Нейронный процессор
    • Оптические нейронные сети
    • Гибридный компьютер
    • Биомолекулярная электроника
      • Neurocomputing, Elsevier ISSN 0925-2312
      • Журнал «Нейрокомпьютеры: разработка, применение», ИПРЖР Радиотехника (недоступная ссылка) ISSN 1999-8554
      • Аляутдинов М. А., Галушкин А. И., Казанцев П. А., Остапенко Г. П. Нейрокомпьютеры: от программной к аппаратной реализации. — М.: Горячая линия - Телеком, 2008. — 152 с. — ISBN 978-5-9912-0044-8.
      • Горбань А. Н., Россиев Д. А., Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996. — 276 с. DOI: 10.13140/RG.2.1.4114.1600
      • Нейрокомпьютерная парадигма и общество. / Под ред. Ю. Ю. Петрунина. — М.: Издательство Московского университета, 2012. — 304 с. — ISBN 978-5-211-06375-4.
      • Чечкин А. В., Савельев А. В.
        1. ↑ Дунин-Барковский В. Л., Нейрокибернетика, Нейроинформатика, Нейрокомпьютеры, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
        2. ↑ Винер Н., Кибернетика, или Управление и связь в животном и машине. / Пер. с англ. И. В. Соловьева и Г. Н. Поварова; Под ред. Г. Н. Поварова. — 2-е издание. — М.: Наука, 1983. — 344 с.
        3. ↑ Neural networks-then and now
        4. ↑ Королев Л. Н. Нейрокомпьютинг, нейросети и нейрокомпьютеры
        5. ↑ Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. — 440 c.
        6. ↑ Бонгард М. М., Проблема узнавания М.: Физматгиз, 1967. Другая копия онлайн: [1]
        7. ↑ Rosenblatt, F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. In, Psychological Review, Vol. 65, No. 6, pp. 386—408, November, 1958. Lancaster, PA and Washington, DC: American Psychological Association, 1958. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга — М.: Мир, 1965.
        8. ↑ Горбань А. Н. Нейрокомпьютер, или Аналоговый ренессанс, Мир ПК, 1994, № 10, 126—130.
        9. ↑ Горбань А. Н., Кто мы, куда мы идем, как путь наш измерить?, Пленарный доклад на открытии конференции Нейроинформатика-99, МИФИ, 20 января 1999. Журнальный вариант: Горбань А. Н., Нейроинформатика: кто мы, куда мы идем, как путь наш измерить // Вычислительные технологии. — М.: Машиностроение. — 2000. — № 4. — С. 10-14. = Gorban A.N., Neuroinformatics: What are us, where are we going, how to measure our way? The Lecture at the USA-NIS Neurocomputing Opportunities Workshop, Washington DC, July 1999 (Associated with IJCNN’99)
        10. ↑ Савельев А. В., Нейрокомпьютеры в изобретениях // «Нейрокомпьютеры: разработка, применение». (недоступная ссылка), М. Радиотехника, 2004, № 2-3, с. 33-49.
        11. ↑ Миркес Е. М., Нейрокомпьютер. Проект стандарта. — Новосибирск: Наука, 1999. — 337 с ISBN 5-02-031409-9 Другие копии онлайн: Архивированная копия. Проверено 15 октября 2008. Архивировано 3 июля 2009 года.
        12. ↑ Савельев А. В., Нейроускоритель. Neural Network accelerator // Свид. о регистрации программы для ЭВМ № 2003610307, заявка 2002612174, 2003.
        13. ↑ Шахнов В., Власов А., Кузнецов А., Нейрокомпьютеры — архитектура и реализация. Часть 1. ChipNews, 2000, N 5; Часть 2. Элементная база нейровычислителей. ChipNews, 2000, N 6; Часть 3.Аппаратная реализация нейровычислителей. ChipNews, 2001, 1.
        14. ↑ Процессор цифровой обработки сигналов Л1879ВМ1 (NM6403) НТЦ «Модуль»
        15. ↑ Журнал «Нейрокомпьютеры: разработка, применение». (недоступная ссылка)
        16. ↑ Савельев А.В.X ВСЕРОССИЙСКАЯ НАУЧНАЯ КОНФЕРЕНЦИЯ "НЕЙРОКОМПЬЮТЕРЫ И ИХ ПРИМЕНЕНИЕ" НКП-201
        17. ↑ Горбань А. Н. Обучение нейронных сетей, изд. СССР-США СП «Параграф», 1990, 160 с.
        18. ↑ Patolsky F., Timko B.P., Yu G., Fang Y., Greytak A.B., Zheng G., and Lieber C.M. «Detection, Stimulation, and Inhibition of Neuronal Signals with High-Density Nanowire Transistor Arrays» (англ.) // Science. — 25 August 2006. — Iss. 313. — No. 5790. — P. 1100—1104. — DOI:10.1126/science.1128640.
        19. ↑ Mazzatenta A., Giugliano M., Campidelli S., Gambazzi L., Businaro L., Markram H., Prato M., and Ballerini L. «Interfacing Neurons with Carbon Nanotubes: Electrical Signal Transfer and Synaptic Stimulation in Cultured Brain Circuits» (англ.) // The Journal of Neuroscience. — 27 June 2007. — No. 27. — P. 6931-6936. — DOI:10.1523/JNEUROSCI.1051-07.2007.
        20. ↑ Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. — М.: Высшая школа, 2002. — С. 184. — ISBN 5-06-004094-1.
        21. ↑ Тюкин И. Ю., Терехов В. А., Адаптация в нелинейных динамических системах, (Серия: Синергетика: от прошлого к будущему), Санкт-Петербург: ЛКИ, 2008. — 384 с. ISBN 978-5-382-00487-7
        22. ↑ Применение нейрокомпьютеров в ракетно-космической технике. Сборник статей. Ефимов В. В. (ред). — М.: Радиотехника, 2006. — 144 C.
        23. ↑ Галушкин А. И. Применение нейрокомпьютеров в энергетических системах, М.: Научный центр нейрокомпьютеров, 1997.
        24. ↑ Danil V. Prokhorov. Toyota Prius HEV Neurocontrol and Diagnostics, Neural Networks. – 2008. – No. 21. – P. 458 - 465
        25. ↑ Змеу К.В., Марков Н.А., Шипитько И.А., Ноткин Б.С. Безмодельное прогнозирующее инверсное нейроуправление с регенерируемым эталонным переходным процессом // Интеллектуальные системы. – 2009. – № 3. – С. 109 – 117.
        26. ↑ D’Emilia G., Marrab A., Natalea E. Use of neural networks for quick and accurate auto-tuning of PID controller // Robotics and Computer-Integrated Manufacturing. – 2007. – Vol. 23. – P. 170 – 179.
        27. ↑ Dias F.M., Mota A.M. Comparison between Different Control Strategies using Neural Networks // 9th Mediterranean Conference on Control and Automation. – Dubrovnik, Croatia, 2001
        28. ↑ Venayagamoorthy G.K., Harley R.G., Wunsch D.C. Implementation of Adaptive Critic-based Neurocontrollers for Turbogenerators in a Multimachine Power System, IEEE Transactions on Neural Networks. – 2003. – Vol. 14, Issue 5. – P. 1047 – 1064.
        29. ↑ Ruaro M.E., Bonifazi P., and Torre V., Toward the Neurocomputer: Image Processing and Pattern Recognition With Neuronal Cultures, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 52, NO. 3, MARCH 2005, 371—383.
        30. ↑ Micheli-Tzanakou, E., Uyeda, E., Ray, R., Sharma, A., Ramanujan, R., Dong, J., Comparison of Neural Network Algorithms for Face Recognition, SIMULATION 65 (1995), 37-51
        31. ↑ Россиев Д. А., Медицинская нейроинформатика, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
        32. ↑ И. И. Баскин, В. А. Палюлин, Н. С. Зефиров. Применение искусственных нейронных сетей для прогнозирования свойств химических соединений // Нейрокомпьютеры: разработка, применение. - 2005. - № 1 - 2. - С. 98 - 101.
        33. ↑ Галушкин А. И., Применения нейрокомпьютеров в финансовой деятельности.
        34. ↑ Миркес Е. М.,Логически прозрачные нейронные сети и производство явных знаний из данных, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
        35. ↑ Borisyuk, R., Borisyuk, G., Rallings, C., and Thrasher, M. Forecasting the 2005 General Election: A Neural Network Approach. British Journal of Politics and International Relations. 7(2) (2005), 199—209.
        36. ↑ Терехов С. А., Нейросетевые информационные модели сложных инженерных систем, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
        37. ↑ Morillas C., Romero S., Martinez A., Pelayo F., Reyneri L., Bongard M., Fernandez, E., A neuroengineering suite of computational tools for visual prostheses, Neurocomput., 70 (16-18) (2007), 2817—2827.
        38. ↑ Gorban A.N., Rossiyev D.A., Dorrer M.G., MultiNeuron — Neural Networks Simulator For Medical, Physiological, and Psychological Applications, Wcnn’95, Washington, D.C.: World Congress on Neural Networks 1995 International Neural Network Society Annual Meeting : Renaissance Hotel, Washington, D.C., USA, July 17-21, 1995.
        39. ↑ Dorrer M.G., Gorban A.N., Kopytov A.G., Zenkin V.I., Psychological Intuition of Neural Networks. Proceedings of the 1995 World Congress On Neural Networks, A Volume in the INNS Series of Texts, Monographs, and Proceedings, Vol. 1, 1995, 193—196.
        40. ↑ Доррер М. Г., Психологическая интуиция искусственных нейронных сетей, Дисс. … 1998. Другие копии онлайн: [2]
        41. ↑ Taniguchi M., Haft M., Hollm\'en J., Tresp V., Fraud detection in communications networks using neural and probabilistic methods, In Proceedings of the 1998 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP’98), volume II, pages 1241—1244, 1998.
        42. ↑ Червяков Н.И., Евдокимов А.А., Галушкин А.И., Лавриненко И.Н. и др.,Применение искусственных нейронных сетей и системы остаточных классов в криптографии,- М.: ФИЗМАТЛИТ, 2012.- 280 c. - ISBN 978-5-9221-1386-1.

ruwikiorg.ru

Нейрокомпьютер — википедия фото

История

Термины нейрокибернетика, нейроинформатика, нейрокомпьютеры вошли в научный обиход недавно — в середине 80-х годов XX века. Однако электронный и биологический мозг постоянно сравнивались на протяжении всей истории существования вычислительной техники. Знаменитая книга Н. Винера «Кибернетика» (1948)[2] имеет подзаголовок «Управление и связь в животном и машине».

Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967)[3], а также Адалин, разработанный Уидроу (англ.)русск. и Хоффом (1960) на основе дельта-правила (формулы Уидроу)[4]. В настоящее время Адалин (адаптивный сумматор, обучающийся по формуле Уидроу) является стандартным элементом многих систем обработки сигналов и связи.[5] В этом же ряду первых нейрокомпьютеров находится программа «Кора», разработанная в 1961 году под руководством М. М. Бонгарда[6].

Большую роль в развитии нейрокомпьютинга сыграла монография Розенблатта (1958)[7].

Идея нейро-бионики (создания технических средств на нейро-принципах) стала интенсивно реализовываться в начале 1980-х гг. Импульсом было следующее противоречие: размеры элементарных деталей компьютеров сравнялись с размерами элементарных «преобразователей информации» в нервной системе, было достигнуто быстродействие отдельных электронных элементов в миллионы раз большее, чем у биологических систем, а эффективность решения задач, особенно связанных задач ориентировки и принятия решений в естественной среде, у живых систем пока недостижимо выше.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

В отличие от цифровых систем, представляющих собой комбинации процессорных и запоминающих блоков, нейропроцессоры содержат память, распределённую в связях между очень простыми процессорами, которые часто могут быть описаны как формальные нейроны или блоки из однотипных формальных нейронов. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями. Подход, основанный на представлении как памяти данных, так и алгоритмов системой связей (и их весами), называется коннекционизмом.

Три основных преимущества нейрокомпьютеров:

  1. Все алгоритмы нейроинформатики высокопараллельны, а это уже залог высокого быстродействия.
  2. Нейросистемы можно легко сделать очень устойчивыми к помехам и разрушениям.
  3. Устойчивые и надёжные нейросистемы могут создаваться и из ненадёжных элементов, имеющих значительный разброс параметров.

Разработчики нейрокомпьютеров стремятся объединить устойчивость, быстродействие и параллелизм АВМ — аналоговых вычислительных машин — с универсальностью современных компьютеров.[8]

Проблема эффективного параллелизма

На роль центральной проблемы, решаемой всей нейроинформатикой и нейрокомпьютингом, А. Горбань[9] предложил проблему эффективного параллелизма. Давно известно, что производительность компьютера возрастает намного медленнее, чем число процессоров. М. Минский сформулировал гипотезу: производительность параллельной системы растёт (примерно) пропорционально логарифму числа процессоров — это намного медленнее, чем линейная функция (Гипотеза Минского).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом нейросети позволяют эффективно использовать параллелизм.

Современные нейрокомпьютеры

Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.

Эти интеллектуальные изобретения[10] существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»[11]: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):

  1. Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.
  2. Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители[12] (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия),[13] процессор NeuroMatrix[14]. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение»[15]. Проводятся ежегодные конференции по нейрокомпьютерам[16]. С технической точки зрения сегодняшние нейрокомпьютеры — это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.

Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера[17]: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.

Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

Новый поворот — «влажный продукт»

В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение — «мягкий продукт») и Hardware (электронное аппаратное обеспечение — «твёрдый продукт»), эти разработки получили наименование Wetware (англ.) — «влажный продукт».

В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire (англ.)).[18] В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки. [19]

Распространено также и другое определение термина «Wetware» — человеческий компонент в системах «человек-компьютер».

Применения

  1. Управление в реальном времени[20][21], в том числе:
    • самолётами и ракетами[22],
    • технологическими процессами непрерывного производства (в энергетике, металлургии и др.)[23],
    • гибридным (электробензиновым) двигателем автомобиля[24],
    • пневмоцилиндром[25],
    • сварочным аппаратом [26],
    • электропечью[27],
    • турбогенератором[28].
  2. Распознавание образов:
    • изображений[29], человеческих лиц[30], букв и иероглифов, отпечатков пальцев в криминалистике, речи, сигналов радара и сонара,
    • элементарных частиц и происходящих с ними физических процессов (эксперименты на ускорителях или наблюдение за космическими лучами),
    • заболеваний по симптомам (в медицине)[31],
    • местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам),
    • признаков опасности в системах безопасности,
    • свойств химических соединений по структуре (в хемоинформатике)[32]
  3. Прогнозирование в реальном времени:
    • погоды,
    • курса акций (и других финансовых показателей)[33],
    • исхода лечения,
    • политических событий (результатов выборов, международных отношений и др.)[34][35],
    • поведения противника (реального или потенциального) в военном конфликте и в экономической конкуренции,
    • устойчивости супружеских отношений.
  4. Оптимизация — поиск наилучших вариантов:
    • при конструировании технических устройств,[36]
    • при выборе экономической стратегии,
    • при подборе команды (от сотрудников предприятия до спортсменов и участников полярных экспедиций),
    • при лечении больного.
  5. Обработка сигналов при наличии больших шумов.
  6. Протезирование («умные протезы») и усиление естественных функций[37], в том числе — за счёт прямого подключения нервной системы человека к компьютерам (Нейро-компьютерный интерфейс).
  7. Психодиагностика[38][39][40]
  8. Телекоммуникационное мошенничество, его обнаружение и предотвращение с помощью нейросетевых технологий — по мнению некоторых специалистов[41] являются одной из самых перспективных технологий в области защиты информации в телекоммуникационных сетях.
  9. Информационная безопасность[42]

См. также

Литература

  • Neurocomputing, Elsevier ISSN 0925-2312
  • Журнал «Нейрокомпьютеры: разработка, применение», ИПРЖР Радиотехника ISSN 1999-8554
  • Аляутдинов М. А., Галушкин А. И., Казанцев П. А., Остапенко Г. П. Нейрокомпьютеры: от программной к аппаратной реализации. — М.: Горячая линия - Телеком, 2008. — 152 с. — ISBN 978-5-9912-0044-8.
  • Горбань А. Н., Россиев Д. А., Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996. — 276 с. DOI: 10.13140/RG.2.1.4114.1600
  • Нейрокомпьютерная парадигма и общество. / Под ред. Ю. Ю. Петрунина. — М.: Издательство Московского университета, 2012. — 304 с. — ISBN 978-5-211-06375-4.
  • Чечкин А. В., Савельев А. В. Нейрокомпьютеры в 2012 году: новая парадигма

Примечания

  1. ↑ Дунин-Барковский В. Л., Нейрокибернетика, Нейроинформатика, Нейрокомпьютеры, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
  2. ↑ Винер Н., Кибернетика, или Управление и связь в животном и машине. / Пер. с англ. И. В. Соловьева и Г. Н. Поварова; Под ред. Г. Н. Поварова. — 2-е издание. — М.: Наука, 1983. — 344 с.
  3. ↑ Neural networks-then and now
  4. ↑ Королев Л. Н. Нейрокомпьютинг, нейросети и нейрокомпьютеры
  5. ↑ Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. — 440 c.
  6. ↑ Бонгард М. М., Проблема узнавания М.: Физматгиз, 1967. Другая копия онлайн: [1]
  7. ↑ Rosenblatt, F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. In, Psychological Review, Vol. 65, No. 6, pp. 386—408, November, 1958. Lancaster, PA and Washington, DC: American Psychological Association, 1958. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга — М.: Мир, 1965.
  8. ↑ Горбань А. Н. Нейрокомпьютер, или Аналоговый ренессанс, Мир ПК, 1994, № 10, 126—130.
  9. ↑ Горбань А. Н., Кто мы, куда мы идем, как путь наш измерить?, Пленарный доклад на открытии конференции Нейроинформатика-99, МИФИ, 20 января 1999. Журнальный вариант: Горбань А. Н., Нейроинформатика: кто мы, куда мы идем, как путь наш измерить // Вычислительные технологии. — М.: Машиностроение. — 2000. — № 4. — С. 10-14. = Gorban A.N., Neuroinformatics: What are us, where are we going, how to measure our way? The Lecture at the USA-NIS Neurocomputing Opportunities Workshop, Washington DC, July 1999 (Associated with IJCNN’99)
  10. ↑ Савельев А. В., Нейрокомпьютеры в изобретениях // «Нейрокомпьютеры: разработка, применение»., М. Радиотехника, 2004, № 2-3, с. 33-49.
  11. ↑ Миркес Е. М., Нейрокомпьютер. Проект стандарта. — Новосибирск: Наука, 1999. — 337 с ISBN 5-02-031409-9 Другие копии онлайн: [2]
  12. ↑ Савельев А. В., Нейроускоритель. Neural Network accelerator // Свид. о регистрации программы для ЭВМ № 2003610307, заявка 2002612174, 2003.
  13. ↑ Шахнов В., Власов А., Кузнецов А., Нейрокомпьютеры — архитектура и реализация. Часть 1. ChipNews, 2000, N 5; Часть 2. Элементная база нейровычислителей. ChipNews, 2000, N 6; Часть 3.Аппаратная реализация нейровычислителей. ChipNews, 2001, 1.
  14. ↑ Процессор цифровой обработки сигналов Л1879ВМ1 (NM6403) НТЦ «Модуль»
  15. ↑ Журнал «Нейрокомпьютеры: разработка, применение».
  16. ↑ Савельев А.В.X ВСЕРОССИЙСКАЯ НАУЧНАЯ КОНФЕРЕНЦИЯ "НЕЙРОКОМПЬЮТЕРЫ И ИХ ПРИМЕНЕНИЕ" НКП-201
  17. ↑ Горбань А. Н. Обучение нейронных сетей, изд. СССР-США СП «Параграф», 1990, 160 с.
  18. ↑ Patolsky F., Timko B.P., Yu G., Fang Y., Greytak A.B., Zheng G., and Lieber C.M. «Detection, Stimulation, and Inhibition of Neuronal Signals with High-Density Nanowire Transistor Arrays» (англ.) // Science. — 25 August 2006. — Iss. 313. — No. 5790. — P. 1100—1104. — DOI:10.1126/science.1128640.
  19. ↑ Mazzatenta A., Giugliano M., Campidelli S., Gambazzi L., Businaro L., Markram H., Prato M., and Ballerini L. «Interfacing Neurons with Carbon Nanotubes: Electrical Signal Transfer and Synaptic Stimulation in Cultured Brain Circuits» (англ.) // The Journal of Neuroscience. — 27 June 2007. — No. 27. — P. 6931-6936. — DOI:10.1523/JNEUROSCI.1051-07.2007.
  20. ↑ Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. — М.: Высшая школа, 2002. — С. 184. — ISBN 5-06-004094-1.
  21. ↑ Тюкин И. Ю., Терехов В. А., Адаптация в нелинейных динамических системах, (Серия: Синергетика: от прошлого к будущему), Санкт-Петербург: ЛКИ, 2008. — 384 с. ISBN 978-5-382-00487-7
  22. ↑ Применение нейрокомпьютеров в ракетно-космической технике. Сборник статей. Ефимов В. В. (ред). — М.: Радиотехника, 2006. — 144 C.
  23. ↑ Галушкин А. И. Применение нейрокомпьютеров в энергетических системах, М.: Научный центр нейрокомпьютеров, 1997.
  24. ↑ Danil V. Prokhorov. Toyota Prius HEV Neurocontrol and Diagnostics // Neural Networks. – 2008. – No. 21. – P. 458 - 465
  25. ↑ Змеу К.В., Марков Н.А., Шипитько И.А., Ноткин Б.С. Безмодельное прогнозирующее инверсное нейроуправление с регенерируемым эталонным переходным процессом // Интеллектуальные системы. – 2009. – № 3. – С. 109 – 117.
  26. ↑ D’Emilia G., Marrab A., Natalea E. Use of neural networks for quick and accurate auto-tuning of PID controller // Robotics and Computer-Integrated Manufacturing. – 2007. – Vol. 23. – P. 170 – 179.
  27. ↑ Dias F.M., Mota A.M. Comparison between Different Control Strategies using Neural Networks // 9th Mediterranean Conference on Control and Automation. – Dubrovnik, Croatia, 2001
  28. ↑ Venayagamoorthy G.K., Harley R.G., Wunsch D.C. Implementation of Adaptive Critic-based Neurocontrollers for Turbogenerators in a Multimachine Power System, IEEE Transactions on Neural Networks. – 2003. – Vol. 14, Issue 5. – P. 1047 – 1064.
  29. ↑ Ruaro M.E., Bonifazi P., and Torre V., Toward the Neurocomputer: Image Processing and Pattern Recognition With Neuronal Cultures, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 52, NO. 3, MARCH 2005, 371—383.
  30. ↑ Micheli-Tzanakou, E., Uyeda, E., Ray, R., Sharma, A., Ramanujan, R., Dong, J., Comparison of Neural Network Algorithms for Face Recognition, SIMULATION 65 (1995), 37-51
  31. ↑ Россиев Д. А., Медицинская нейроинформатика, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
  32. ↑ И. И. Баскин, В. А. Палюлин, Н. С. Зефиров. Применение искусственных нейронных сетей для прогнозирования свойств химических соединений // Нейрокомпьютеры: разработка, применение. - 2005. - № 1 - 2. - С. 98 - 101.
  33. ↑ Галушкин А. И., Применения нейрокомпьютеров в финансовой деятельности.
  34. ↑ Миркес Е. М.,Логически прозрачные нейронные сети и производство явных знаний из данных, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
  35. ↑ Borisyuk, R., Borisyuk, G., Rallings, C., and Thrasher, M. Forecasting the 2005 General Election: A Neural Network Approach. British Journal of Politics and International Relations. 7(2) (2005), 199—209.
  36. ↑ Терехов С. А., Нейросетевые информационные модели сложных инженерных систем, В кн.: Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с ISBN 5-02-031410-2
  37. ↑ Morillas C., Romero S., Martinez A., Pelayo F., Reyneri L., Bongard M., Fernandez, E., A neuroengineering suite of computational tools for visual prostheses, Neurocomput., 70 (16-18) (2007), 2817—2827.
  38. ↑ Gorban A.N., Rossiyev D.A., Dorrer M.G., MultiNeuron — Neural Networks Simulator For Medical, Physiological, and Psychological Applications, Wcnn’95, Washington, D.C.: World Congress on Neural Networks 1995 International Neural Network Society Annual Meeting : Renaissance Hotel, Washington, D.C., USA, July 17-21, 1995.
  39. ↑ Dorrer M.G., Gorban A.N., Kopytov A.G., Zenkin V.I., Psychological Intuition of Neural Networks. Proceedings of the 1995 World Congress On Neural Networks, A Volume in the INNS Series of Texts, Monographs, and Proceedings, Vol. 1, 1995, 193—196.
  40. ↑ Доррер М. Г., Психологическая интуиция искусственных нейронных сетей, Дисс. … 1998. Другие копии онлайн: [3]
  41. ↑ Taniguchi M., Haft M., Hollm\'en J., Tresp V., Fraud detection in communications networks using neural and probabilistic methods, In Proceedings of the 1998 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP’98), volume II, pages 1241—1244, 1998.
  42. ↑ Червяков Н.И., Евдокимов А.А., Галушкин А.И., Лавриненко И.Н. и др.,Применение искусственных нейронных сетей и системы остаточных классов в криптографии,- М.: ФИЗМАТЛИТ, 2012.- 280 c. - ISBN 978-5-9221-1386-1.

org-wikipediya.ru

Смотрите также

KDC-Toru | Все права защищены © 2018 | Карта сайта