И.К. Никифоров,
(Чувашский государственный университет им. NN. Ульянова,
г. Чебоксары)
Современные тенденции развития кибернетики заключаются в «биологизации» и гибридизации. Под биологизацией понимают пост роение и исследование моделей поведения сложных объектов и способов управления ими на основе имитации механизмов, реализованных Природой в живых существах. Гибридизация состоит в совместном применении различных методов и моделей для обработки информации об одном и том же объекте [1]. Используемые в рамках этого направления нейронные сети (НС), в качестве прототипа которых используются структуры и механизмы функционирования биологических нервных систем, все чаще начинают рассматриваться в качестве методологического базиса для создания технических устройств параллельной обработки информации.
Проблему управления различными техническим устройствами, в условиях неопределенности и возможность ее решения, рассматривают в применении новых информационных технологий. Одним из направлений в информационных технологиях являются интеллектуальные средства обработки информации, основным базисом которых являются различные топологии НС.
В целом, НС играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию у =f(х), где х - входной вектор, а у - реализация векторной функции. Постановка задач распознавания и классификации образов, идентификации, управления и ассоциации могут быть сведены именно к такому универсальному аппроксимирующему представлению.
По теории и применению НС и нейрокомпьютеров (нейросетевые технологии) имеется огромное число публикаций как российских, так и зарубежных специалистов, например [3-8].
Появление пакетов математического моделирования (MATLAB. Statsoft и др.) в 80-ых г.г. позволили сосредоточиться на вопросах непосредственного применения НС и освободиться от необходимости построения собственно НС и доказательства их корректности, стабильности и работоспособности для всех условий решаемых задач. Происходило дальнейшее развитие нейровычислительных систем на основе:
а) программной эмуляции нейросетевых алгоритмов с применением стандартных ПЭВМ и пакета прикладных программ (ПП11) моделирования НС (нейропакеты):
b) программно-аппаратной эмуляции НС, реализованные с применением стандартных ПЭВМ с подключаемой аппаратной платой содержащей нейросетевой блок (нейроплаты), выполняющий типовые нейрооперации (взвешенное суммирование и нелинейное преобразование) и управляющим ППП на программном уровне;
c) аппаратной реализации НС. Элементной базой таких систем являются специализированные контроллеры, программируемые логические интегральные схемы (ПЛИС), цифровые сигнальные процессоры (ЦСП) и специализированные микросхемы сверхбольшой степени интеграции (СБИС), содержащие внутри группу нейроподобных вычислительных элементов (нейрочипы). К аппаратной реализации относят и нейрокомпьютеры, реализованные на аппаратной платформе в виде функционально законченных вычислительных устройств (все операции выполняются в нейросетевом логическом базисе) [2].
В настоящее время наиболее актуальны следующие задачи, требующие предварительной разработки и производства нейрочипов и супернейрокомпьютеров на их основе: обработка космических изображений; управление иерархическими динамическими системами; исследование генома человека; решение специальных систем дифференциальных уравнений в частных производных [6].
На основании вышеизложенного, можно утверждать, что нейросетевые технологии являются одной из наиболее динамично развивающихся областей искусственного интеллекта. Основными преимуществами, обеспечившими применение НС как методологического базиса решения сложных задач (в условиях неопределенности и изменчивости параметров технических, устройств под воздействием различных факторов), являются:
- большинство топологий НС представляют собой соединенные в сеть однотипные нейроподобные вычислительные элементы (специализированные СБИС - нейрочипы), отсюда соответствие современным и перспективным технологиям;
- отказоустойчивость в смысле монотонного, а не катастрофического изменения качества решения задачи в зависимости от числа вышедших из строя элементов;
- адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации, при этом гибкость преобразования регулируется числом нейронов и слоев сети, и типом связей между ними:
- возможность обобщать и обрабатывать неполные или зашумленные данные;
- инвариантность методов синтеза НС к размерности пространства признаков.
Выводы:
1) нейросетевые технологии являются одной из наиболее динамично развивающихся областей искусственного интеллекта, и одним из перспективных направлений современных информационных технологий;
2) в настоящее время технические устройства параллельной обработки информации все чаще выполняют на нейросетевом базисе;
3) одним из перспективных направлений в создании интеллектуальных систем управления и принятия решений в нестандартных и плохо формализованных задачах является аппаратная реализация НС.
Список литературы
1. Оссовский С. Нейронные сети для обработки информации. Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
2. http://neurnews.iu4.bmstu.ru "Новости с Российского рынка нейрокомпьютеров".
3.Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. /Пер. с англ. М.: ООО «И.Д. Вильямc», 2006. 1104 с.
4. Нейрокомпьютеры в авиации (самолеты) /Под ред. В.И. Васильева, Б.Г. Ильясова, С.Т. Кусимова. Кн. 14: Учеб. пособие для вузов. М.: Радиотехника, 2003. 496 с.
5. Нейрокомпьютеры в космической технике / В.В. Ефимов и др.; Под ред. А.И. Галушкина. М.: Радиотехника, 2004. 320 с.
6. Галушкин A.M. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае. В 2-х томах. М: Горячая линия – Телеком, 2004. (Т.1-367 с, Т.2-464 с.)
7. Харламов А.А. Нейросетевая технология представления и обработки информации (естественное представление знаний). М.: Радиотехника, 2006. 188 с.
8. Абовский Н.П. Нейроуправляемые конструкции и системы. М.: Радиотехника, 2003. 368 с.
|
