Исследование функциональных возможностей искусственных нейронных сетей с обратными связями

Аннотация

Чернухин Ю. В., Кизигло М. А. Исследование функциональных возможностей искусственных нейронных сетей с обратными связями Предлагается модифицированный алгоритм распределенного доступа к среде передачи данных стандарта IEEE 802.11 (Wi–Fi), обеспечивающий стабилизацию пропускной способности сети на значениях близких к максимальным при высокой нагрузке в сети. Разработанный алгоритм использует и дополняет механизм множественного доступа с функцией распределенной координации (DCF, Distributed Coordination Function) стандарта IEEE 802.11.

Целью данной работы являеться исследование модели однослойнох искусственных нейронных сетей с обратными связями (НСОС), оценка их эффекктивности и функцифункциональных возможностей.

Нейроподобная сеть с обратными сввязями состоит из коммутированных между собой цифровых нейропроцессоров (ЦПН)б реализующих математические алгоритмы нейронов статического и динамического типов, с различными типами выходной нелинейности, а именно сигмоидальной, квазисигмоидальной, тангенсоидальной, пороговой и т. д., в диапазоне от -1 до +1.

Для исследований была выбрана однослойная полносвязная НСОС, выход каждого ЦПН в которой подключался к одноименным входам остальных нейропроцессоров в составе сети, кроме своего собственного.

В качестве алгоритмов обучения НСОС рассматривались алгоритмы Хебба и Розенблатта.

Сеть обучалась на наборе текстовых задач распознавания зрительных изображений и их классификаций различной сложности.

Исследовались способности сети быстро обучаться, дообучаться и распознавать образы, а также её способности к обобщени; исследовалось устойчивость сети к различного типа помехам, искажениям и взаимной корреляции изображений.

По результатам работы были сделаны следующие выводы. Сети такого типа характеризуються простотой структуры, регулярностью связей; они обладают высокой скоростью сходимости к устойчивому состоянию, однотактными процедурами обучения и дообучения сети, высокой способностью к восстановлению зашумленных и слабокоррелированных образов, устойивостью к повреждениям, разрушающим обученные связи между ЦНП.

Однако исследованные варианты реализации НСОС облают ограниченными способностями к обобщению и распознаванию сильнокоррелированных образов.