- •Нейросетевые структуры и технологии
- •Часть 2 Рекуррентные и специальные нс. Методы реализации нейрокомпьютеров
- •Содержание
- •Введение
- •5.Рекуррентные нейронные сети
- •5.1.Ассоциативная память на основе рекуррентных нс
- •5.1.1.Автоассоциативная нс Хопфилда
- •5.1.2.Нс Хемминга
- •5.1.3.Двунаправленная ассоциативная память
- •5.2.Рекуррентные нс на базе персептрона
- •5.2.2.Рекуррентная сеть Эльмана
- •6.Нейронные сети с самоорганизацией
- •6.1.Самоорганизующаяся нс Кохонена
- •6.2.Гибридная нс Кохонена с мсп
- •6.3.Нс встречного распространения
- •6.4.Нс адаптивной резонансной теории (арт)
- •6.5.Когнитрон и неокогнитрон Фукушимы
- •6.6.Корреляционные нс
- •6.6.1.Нейронные сети рса
- •7.Нейронные сети с нечеткой логикой
- •7.1.Математические основы функционирования нечетких систем
- •7.2.Системы нечеткого вывода
- •7.3.Нечеткая нс tsk
- •7.4.Обучение нс с нечеткой логикой
- •7.5.Гибридная нс с нечеткой со
- •7.6.Мягкие экспертные системы
- •8.Методы реализации нейрокомпьютеров (нк)
- •8.1.Программное моделирование инс
- •8.2.Аппаратная реализация нк
- •8.3.Перспективные технологии реализации нейрокомпьютеров
- •8.3.1.Оптические и оптоэлектронные нк
- •8.3.2.Молекулярные (био)нейрокомпьютеры
- •8.3.3.Нанонейрокомпьютеры (ннк)
- •Литература
8.Методы реализации нейрокомпьютеров (нк)
Нейросетевая тематика является междисциплинарной, что в значительной степени объясняет разночтения в общих терминологических подходах. Поэтому условились считать, что нейрокомпьютер – это любая вычислительная система, использующая нейросетевые методы для обработки информации. В настоящее время разработкой НК во всем мире занимается свыше 300 фирм (среди которых такие, как IBM, DEC, Intel, Motorola, Toshiba, Siemens, Athmel, Xilinx и др.) и практически все университеты. При этом все более расширяется применение НК к решению традиционных задач (алгебраических уравнений большой размерности, систем нелинейных дифференциальных уравнений, уравнений в частных производных и т.п.), что обусловлено хорошими аппроксимирующими свойствами НС при однородности структуры и параллельности вычислений. При практическом построении структур НК различают два основных подхода:
программная эмуляция НК, т.е. моделирование ИНС программой – имитатором (нейропакетом) на обычном компьютере;
аппаратная реализация НК с использованием процессоров цифровой обработки сигналов (ПЦОС) и систолических процессоров, программируемых логических ИС (ПЛИС), специализированных нейрочипов, оптических методов матрично–векторного умножения, био– и нано НК и т.д.
8.1.Программное моделирование инс
Наиболее распространенной платформой для программных комплексов, эмулирующих ИНС, являются процессоры общего назначения (ПОН). Во-первых, популярность такого подхода объясняется простотой реализации нейроалгоритмов на рабочих станциях, особенно с использованием языков высокого уровня (ЯВУ), где имеются библиотеки разнообразных функций, используемых в нейроприложениях, разработаны визуальные средства, содержащие множество типовых решений и удобный графический интерфейс, для которых даже не обязательны специальные навыки программирования. Во-вторых, широкое моделирование ИНС в архитектурах обычных компьютеров объясняется постоянным ростом производительности в этой области, что позволяет для большинства задач получать приемлемые по скорости решения даже без особых процедур оптимизации. Достоинства и недостатки ПОН для построения нейросред приведены в таблице. 8.1.
К настоящему времени как фирмами, так и отдельными исследователями разработано значительное число (>30) универсальных нейропакетов (НП), позволяющих конструировать, обучать и использовать ИНС для решения практических задач. Сравнительный анализ некоторых из них на основе базовых показателей приведен в таблице 8.2 по десятибалльной шкале. Первые три показателя важны для начинающих пользователей НП, 3…8 – для опытных пользователей, решающих конкретные прикладные задачи, 7…11 – для профессиональных разработчиков и программистов. Видно, что наиболее мощными НП являются Neurosolutions и Neural Works Professional: первый из них отличает развитый интерфейс и наглядность представления информации, второй – количество реализуемых нейропарадигм (28) и алгоритмов обучения. Пакет расширения NNT (Neural Network Toolbox) MATLAB 7.0 по указанным в таблице критериям, хотя и имеет средние показатели (15 нейросетевых парадигм, ограничения в плане построения оригинальных ИНС и т.п.), тем не менее, достаточно удобен для использования в образовательном процессе. Заметим, что число специализированных НП, ориентированных на решение более узких задач науки, техники, экономики, финансов, социальной сферы, неизмеримо больше.
Таблица 8.1.
Достоинства |
Недостатки |
Высокие темпы роста производительности. Наличие программных средств высокого уровня. Совместимость с предыдущими разработками. Возможность интеграции нейроприложений с другими программными средствами. Большой объем доступной памяти. |
Аппаратная избыточность, ведущая к недоиспользованию вычислительных ресурсов. Малая пригодность к созданию дешевых промышленно применимых устройств, а также автономных и мобильных систем. Сложность построения масштабируемых, многопроцессорных систем. |
Таблица 8.2.
Нейропакеты (автор) Показатель сравнения |
NeuroSolutions (NeuroDimension Inc.) |
NeuralWorks Professional (neural Ware Inc.) |
Brain Maker Pro (California Scientific Software) |
NNT MATLAB 6 (Math Works) |
|
9 |
9 |
6 |
9 |
|
9 |
9 |
7 |
8 |
|
10 |
9 |
4 |
6 |
|
8 |
10 |
6 |
6 |
|
10 |
8 |
5 |
5 |
|
8 |
7 |
- |
5 |
|
10 |
7 |
4 |
5 |
|
10 |
8 |
5 |
7 |
|
10 |
10 |
- |
7 |
|
10 |
10 |
- |
8 |
|
10 |
- |
- |
6 |
Суммарный показатель |
104 |
87 |
37 |
72 |