Решение на такава задача от мозъка може да бъде обработката на информация от обикновеното зрение (human vision). Във функциите на зрителната

4
докато изменението на синаптическите тегла не стане незначително. По този начин невронната мрежа се обучава на примери съставяйки таблици на съответният вход и изход за конкретна задача. Такъв подход ни кара да си спомним непараметрическо статистическо обучение (nonparametric statistical inference). Това направление в статистиката има работа с оценките, които не са свързани с конкретни модели или от биологична гледна точка, с обучението с нула. Тук термина „непараметрически” се използва за акцентиране на това, че от начало не съществува никакъв предопределен статистически модел за входни данни. За пример ще разгледаме задачата за класификация на образите (pattern classification). В нея се изисква да се съотнесе входния сигнал, представляващ физически обект или събитие с някои предопределени категории (класове). При непараметричният подход при решаването на тази задача трябва да се оцени рамка за решение в пространството на входния сигнал на основата на избора на примери. При това не се използва никакъв вероятностен модел на разпределение. Аналогичен подход се прилага в параметричното обучение с учител. Това още веднъж подчертава успоредността между отразяването на входните сигнали в изходни, осъществено от невронната мрежа и непараметрическото статистическо обучение.
3) Адаптивност (adaptivity) – невронните мрежи имат способността да адаптират своите синаптически тегла към околната среда. В частност невронните мрежи обучени да работят в една среда могат лесно да бъдат пробудени да работят в условия с незначителни колебания на параметрите на средата. При работа в нестационарна (nonstationary) среда (където статистически се изменя с течение на времето) могат да бъдат създадени невронни мрежи изменящи синаптическото си тегло в реално време. За да се използват всички достойнства на адаптивността основните параметри на системата трябва да са достатъчно стабилни, за да работят неотчитайки външните въздействия и да бъдат достатъчно гъвкави обезпечавайки реакцията на съществено изменение на средата. Тази задача обикновено се нарича Дилема на стабилност–пластичност
(stability-plasticity dilemma).
4) Очевидност на отговора (evidential response). В контекса на задачите за класификация на образи може да се разработи невронна мрежа, събираща информация не само за определен конкретен клас, но и за увеличение на достоверността на взетото решение. Тази информация може да се използва за изключване на съмнителни решения, което повишава продуктивността на невронната мрежа.
5) Контекстна информация (contextual information) – Знанията се представят в самата структура на невронната мрежа с помощта на нейното състояние на активност. Всеки неврон от невронната мрежа може да бъде подложен на влияние от всички останали неврони. Като следствие съществуват невронни мрежи свързани с конкретна информация.
6) Отказоустойивост (fault tolerance) – Невронните мрежи облечни във форма на електроника са потенциално отказоустойчиви, т.е. при неблагоприятни условия тяхната производителност пада незначително. Например ако е повреден някой от невроните или неговата връзка, извличането на запаметената информация се затруднява. Очитайки разпределителната характеристика на съхранение на информацията в невронните мрежи може да се потвърди, че само сериозни повреди в структурата на невронните мрежи съществено ще повлияе на нейната работоспособност. Затова понижаването на качеството на работа на невронната

5
мрежа протича бавно. Незначителното повреждане на стуктурата никога не оказва катастрофални последствия.
7) Мащабируемост (VLSI Implementability) – Успоредната структура на невронните мрежи потенциално ускорява решението на някои задачи и обезпечава мащабността на невронните мрежи в рамките на технологията VLSI
(very-large-scale-integrated). Едно от предимствата й е възможността да се представи достатъчно сложно поведение чрез йерархичниа структура.
8) Еднообразие на анализа и проектирането (Uniformity of analysis and design).
Невронните мрежи са универсален механичъм за обработка на информация, т.е. едно и също проектно решение на невронната мрежа може да се използва в много различни области. Това свойство се проявява по няколко начина:

невроните в тази ли друга форма са стандартни съставни части на всяка невронна мрежа;

тази общност позволява да се използват едни и същи теории и алгоритми за обучение в различни невронно мрежови приложения;

модулната мрежа може да бъде построена на основата на интеграция на цели модули.
9) Аналогия с невробиологията (Neurobiological analogy). Построяването на невронни връзки се определя чрез аналогията с човешкият мозък, който се явява живо доказателство за това, че отказоустойчиви успоредни изичисления не само физически са реализируеми, но и се явяват бърз и мощен инструмент за решаване на различни задачи. Невробиологията разглежда изкуствените невронни връзки като средство за моделиране на физически явления. От друга страна инженерите постоянно се опитват да подчертават на невробиолозите нови идеи, произлизащи от традиционните елекронни схеми. Със следните примери ще посочим тези две различни гледни точки:

Изтегляне 1.78 Mb.

Сподели с приятели: