Алгоритмы их обучение и эластичные нейро-нечеткие системы

Проблема машинной имитации человеческих мыслей воодушевляет ученых уже несколько столетий. Более 50 лет назад были созданы первые электронные модели нервных клеток. В это же время появилось много работ по новым математическим моделям и обучающим алгоритмам. Сегодня так называемые нейронные сети представляют наибольший интерес в этой области [81, 91]. Они используют множество простых вычислительных элементов, называемых нейронами, каждый из которых имитирует поведение отдельной клетки человеческого мозга. Принято считать, что человеческий мозг- это естественная нейронная сеть, а модель мозга-это просто нейронная сеть. На рис. 6.1. показана базовая структура нейронной сети:

Входной сигнал Выходной сигнал

Входной слой -1.Внутренний слой; 2. Внутренний слой - Выходной слой

Рис. 6.1. Базовая структура нейронной сети (фрагмент).

Каждый нейрон в нейронной сети осуществляет преобразование входных сигналов в выходной сигнал и связан с другими нейронами. Входные нейроны имитируют так называемый интерфейс нейронной сети. Нейронная сеть, показанная на рис. 6.1., имеет слой, принимающий входные сигналы, и слой, генерирующий выходные сигналы. Информация вводится в нейронную сеть через входной слой. Все слои нейронной сети обрабатывают эти сигналы до тех пор, пока они не достигнут выходного слоя.

Задача нейронной сети - преобразование информации требуемым образом. Для этого сеть предварительно обучается. При обучении используются идеальные (эталонные) значения пар «входы-выходы» или «учитель», который оценивает поведение нейронной сети. Для обучения используется так называемый обучающий алгоритм [91]. Ненастроенная нейронная сеть не способна отображать желаемого поведения. Обучающий алгоритм модифицирует отдельные нейроны сети и веса ее связей таким образом, чтобы поведение сети соответствовало желаемому поведению.