5. Принципы представления нейросетевых моделей

Ключевые понятия и идентификаторы ключевых узлов: нейросетевая модель, нейрон.

Графодинамический подход к представлению и переработке информации можно использовать для интерпретации и интеграции различных моделей представления и переработки информации, в частности, для интеграции нейросетевых моделей переработки информации. Ниже будет рассмотрен пример реализации нейросетевых моделей особого класса псевдооптических нейронных сетей(ПНС).

Следует обратить внимание, что модели ПНС ориентированы на моделирование быстрых интеллектуальных процессов мозга. Хорошо известно, что существует обширное множество интеллектуальных процессов, которые в медленном мозгу протекают гораздо быстрее, чем в быстром компьютере. К таким процессам относятся как обработка внешних данных (обработка образных представлений, узнавание, установление сходства), так и сложные внутренние интеллектуальные процессы – быстрое схватывание сути дела, выделение существенного, оперирование сложной ситуацией как целостным представлением. Многие из них не имеют адекватных аналогов в современных методах искусственного интеллекта. Анализ этих процессов приводит к мысли, что в их основе лежат принципиально другие механизмы – несимвольные представления данных и методы их обработки, высокая скорость которых обеспечивается их малой глубиной и сверхвысоким уровнем параллелизма, природа которого мало похожа на параллелизм вычислительных систем [277] (Кузнецов О.П. 1995ст-НеклаПвИИ).

Одним из перспективных подходов к исследованию таких механизмов является реализация неоднократно высказывавшейся различными специалистами [630, 609, 410, 20, 188, 678] (Heerden P.J.1968bk-FoundOEK, Gabor D.1969art-AssocHM, Прибрам К.1975кн-ЯзыкиМ,Арбиб М.А.1976кн-МетафМ, Денисюк Ю.Н.1982ст-НекотПиПГ, Sowa J.F.1984bk-ConceSIP) гипотезы о сходстве многих информационных процессов мозга с процессами обработки изображений в оптической голографии. В работе [281](Кузнецов О.П.1992ст-ГологМОИвНС) впервые предложен класс нейронных сетей (впоследствии названных псевдооптическими нейронными сетями - ПНС), в которых, как было показано, возможны голографические эффекты. ПНС используют новую модель интерферирующего нейрона, который воспринимает непрерывные периодические сигналы и характеризуется не только порогом, но и дополнительным непрерывным параметром - потенциалом. Значение потенциала может изменяться от нуля до порога под действием входных сигналов, которые суммируются по закону интерференции. При достижении потенциалом порога нейрон генерирует собственный периодический сигнал.

Модели ПНС, рассмотренные в [277; 281; 284](Кузнецов О.П.1995ст-НеклаПвИИ; Кузнецов О.П.1992ст-ГологМОИвНС ; Кузнецов О.П..2000ст-ПсевдНС), являются геометрическими: в них существенны их геометрические характеристики - расстояния между нейронными слоями сети и нейронами внутри слоя, а также геометрические свойства поверхностей, на которых расположены слои. Правда, в работе [277](Кузнецов О.П.1995ст-НеклаПИИ) отмечается, что геометрические характеристики можно заменить задержками на синапсах.