Избранные труды. Том 1

Поэтому многие нейрофизиологи опираются на предпо- ложение о том, что память и накопление информации связаны с изменениями в синапсах. Большинство современных нейрокибернетических моделей мозга исходит из этих представлений. В основе таких моделей лежит «нейрон Мак-Каллоха – Питтса» (1943), фактически – пороговый триггер со многими входами.

Нейрон Мак-Каллока – Питтса

В 1943 г. Уоррен Мак-Каллок и Уолтер Питтс предложили модель нейрона, обладающую следующими свойствами:

– нейрон имеет несколько входов и один выход

– через входы (j) нейрон принимаетвходные сигналы (x

)

– входные сигналы умножаются навесовой коэффициент (w

) и суммируются

– выходной сигнал нейрона – нелинейная функция f (S),

называемая активационной.

Было установлено, что НС могут выполнять любые логические операции и любые преобразования, реализуемые дискретными устройствами с конечной памятью.

Эта модель легла в основу теории логических сетей и конечных автоматов и активно использовалась психологами и нейрофизиологами при моделиро- вании некоторых локальных процессов нервной деятельности.

Персептрон Розенблатта

Идея Мак-Каллока – Питтса была реализована Фрэнком Розенблаттом в 1958 г. в виде компьютерной программы, а в 1960 г. в виде электронного устройства, моделирующего сетчатку человеческого глаза. Позже М. Минский и С. Пайперт в своей книге «Персептроны» строго математически доказали, что однослойные персептроны в принципе не способны решать многие простые задачи.

Задачи, решаемые с помощью нейросетей

– если есть математическая модель какого-то процесса, то изучая влияние входных параметров на выходные, можно решить задачу оптимизации моделируемого процесса

– если математическая модель является нестационарной, то её можно использовать для решения задач прогнозирования

– если математическая модель работает в реальном режиме времени, то результаты математического моделирования могут быть оперативно переданы оператору, управляющему объектом, или могут быть непосредственно введены в приборы, что позволяет решать задачи управления моделируемым объектом или процессом

– нейронные сети могут решать задачи распознавания и классификации образов, причем под образами понимаются зрительные изображения, символы, тексты, запахи, звуки, шумы.