Этапы становления и развития нейронных сетей. Головной мозг, нейронные сети и компьютеры. Программные и аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей. Способы распознавания образов предметов.
Аннотация к работе
В представленной работе будет рассмотрено несколько этапов становления нейронных сетей, а именно: их прошлое-история создания, кем и когда; настоящее - где нейронные сети применяются в наши дни; и будущее - как повлияют нейронные сети на нашу жизнь, что с помощью них можно будет создать в будущем, и как эти изобретения помогут человеку.С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. Научное сообщество того времени восприняло теорию Бэйна скептически, поскольку следствием ее являлось возникновение чрезмерного количества нейронных связей в мозге. Теория Джеймса была схожа с теорией Бэйна, но в то же время Джеймс предположил, что формирование памяти происходит в результате прохождения электрических токов между нейронами в головном мозге, не требуя соединений нейронов для каждого акта запоминания или действия. В 1943 Мак-Каллок и Питтс разработали компьютерную модель нейронной сети на основе математических алгоритмов. Модель Мак-Каллока - Питтса заложила основы двух различных подходов исследований нейронных сетей.Нейронные сети, используемые в сфере искусственного интеллекта, традиционно рассматриваются как упрощенные модели нейронных сетей головном мозге, хотя вопрос о том, в какой мере искусственные нейронные сети отражают реальную структуру головного мозга, по-прежнему остается открытым. С другой стороны, разработка искусственных нейронных сетей основывалась на моделях обработки информации в биологических системах, которые предполагают параллельную обработку информации, а также использование неявных инструкций на основе распознавания «сенсорных» входов из внешних источников. Другими словами, нейронная сеть представляет собой сложный статистический процессор (в отличие от систем, основанных на последовательной обработке и исполнении команд) [4].В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определенному классу. Когда сети предъявляется некий образ, на одном из ее выходов должен появиться признак того, что образ принадлежит этому классу. Если на двух или более выходах есть признак принадлежности к классу, считается, что сеть «не уверена» в своем ответе. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком.Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможность применять нейронные сети для решения широкого класса задач.