Реферат: Нейроинформатика - текст реферата. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Реферат

Нейроинформатика

Банк рефератов / Компьютерные сети

Рубрики  Рубрики реферат банка

закрыть
Категория: Реферат
Язык реферата: Русский
Дата добавления:   
 
Скачать
Архив Zip, 30 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникального реферата

Узнайте стоимость написания уникальной работы

Нейроинформатика и ее приложения Каждый , кто впервые знакомится с нейронными сетями , задает себе вопрос : что такое нейроинформатика ? Ответить на него можно по-разному . Можно сказать , что нейро информатика это способ решения всевозможных з адач с помощью искусственных нейронных сетей , реализованных на компьютере . Такой отв е т , объясняющий только внутреннюю сущность нейроинформатики , почти никого не уд овлетворяет , даже если подробно рассказывать о нейронных сетях , задачах и способах их решения . На самом деле требуется еще определить место нейроинформатики среди других способо в решения задач и разобрат ься , в чем же истинные преимущества нейрон ных сетей , если таковые существуют ? Безусловно , те же самые зада чи можно решать и другими способами ? Нейросетевые методы далеко не всегда эффективнее традиционных . К тому же , многие нейро сетевые методы это просто новая редакция известных математических подходов . Почему же тогда многие предпочитают н ейросети ? Одни чтобы заработать на модной новинке , другие чтобы поиграть в новую инт еллектуальную игрушку , не отстать от моды попробовать нову ю технологию и так да лее . Так в чем же реальные преимущества нейронных сетей ? Чтобы ответить на этот вопрос , во-первых , обратимся к десятилетнему опыту применения данной технологии красноярской группой НейроКомп , а во-вторых , попытаемся разгадать логику м ирового нейросетевого “бума” . Что такое нейронные сети ? Термин “искусственные нейронные сети” у многих ассоциируется с фантазиями об анд роидах и бунте роботов , о машинах , заменяю щих и имитирующих человека . Это впечатление усиливают многие разработчики не йросистем , рассуждая о том , как в недалеком буду щем , роботы начнут осваивать различные виды деятельности , просто наблюдая за человеком . Если переключиться на уровень повседневно й работы , то нейронные сети это всего-навс его сети , состоящие из связанных меж ду собой простых элементов формальных нейронов . Большая часть работ по нейроинформатике посвящена переносу различных алгоритмов решения задач на такие сети . В основу концепции положена идея о том , что нейроны можно моделировать довольн о простыми автоматам и , а вся сложность мозга , гибкость его функционирования и др угие важнейшие качества определяются связями между нейронами . Каждая связь представляется как совсем простой элемент , служащий для п ередачи сигнала . Коротко эту мысль можно в ыразить так : “структу р а связей все , свойства элементов ничто” . Совокупность идей и научно-техническое на правление , определяемое описанным представлением о мозге , называется коннекционизмом (connection связь ). С реальным мозгом все это соотносится при мерно так же , как карикатур а или ш арж со своим прототипом . Важно не буквальн ое соответствие оригиналу , а продуктивность т ехнической идеи . С коннекционизмом тесно связан следующий блок идей : · однородность системы (э лементы одинаковы и чрезвычайно просты , все определяется структур ой связей ); · надежные системы из ненадежных элементов и “аналоговый ренессанс” использование простых аналоговых элементов ; · “голографические” системы при разрушении случайно выбранной части система сохраняет свои свойства . Предполагается , что широки е возможности систем связей компенсируют бедност ь выбора элементов , их ненадежность и возм ожные разрушения части связей . Для описания алгоритмов и устройст в в нейроинформатике выработана специальная “ схемотехника” , в которой элементарные устройства (сумма торы , синапсы , нейроны и т.п .) объединяются в сети , предназначенные для реше ния задач . Для многих начинающих кажется н еожиданным , что ни в аппаратной реализации нейронных сетей , ни в профессиональном прог раммном обеспечении эти элементы вовсе не обязатель н о реализуются как отдель ные части или блоки . Используемая в нейрои нформатике идеальная схемотехника представляет с обой особый язык описания нейронных сетей и их обучения . При программной и аппара тной реализации выполненные на этом языке описания переводят с я на более подходящие языки другого уровня . Самый важный элемент нейросистем адаптивн ый сумматор , который вычисляет скалярное прои зведение вектора входного сигнала x на вектор параметров a. Адаптивным он называется из-за наличия вектора настраиваемых пара метров a. Нелинейный преобразователь сигнала получает скалярный входной сигнал x и переводит ег о в заданную нелинейную функцию f(x). Точка ветвления служит для рассылки о дного сигнала по нескольким адресам . Она п олучает скалярный входной сигнал x и перед ает его на все свои выходы . Стандартный формальный нейрон состоит из входного сумматора , нелинейного преобразователя и точки ветвления на выходе . Линейная связь синапс отдельно от сум маторов не встречается , однако для некоторых рассуждений бывает удобно выделить это т элемент . Он умножает входной сигнал x на “вес синапса” a. Итак , мы коротко описали основные элем енты , из которых состоят нейронные сети . П ерейдем теперь к вопросу о формировании э тих сетей . Строго говоря , их можно строить как угодно , лишь бы входы получали какие-нибудь сигналы . Обычно используется нес колько стандартных архитектур , из которых пут ем вырезания лишнего или (реже ) добавления строят большинство используемых сетей . Для на чала следует определить , как будет согласован а работа различн ы х нейронов во времени . Как только в системе появляется более одного элемента , встает вопрос о синхронизации функционирования . Для обычных прогр аммных имитаторов нейронных сетей на цифровых ЭВМ этот вопрос не актуален только и з-за свойств основного компьют е ра , на котором реализуются нейронные сети . Для других способов реализации он весьма важен . Мы же будем рассматривать только те нейронные сети , которые синхронно функционируют в дискретные моменты времени : все нейроны срабатывают “разом” . В зоопарке нейрон ных сетей можно выделить две базовых архитектуры слоистые и полносвязные сети . Слоистые сети . Здесь нейроны расположены в несколько слоев . Нейроны первого слоя получают входные сигналы , преобразуют их и через точки ветвления передают нейронам второго слоя . Далее срабатывает второй слой и т.д . до слоя k, который выдает выходные сигналы для интерпретатора и пользов ателя . Если противное не оговорено , то каж дый выходной сигнал слоя i подается на вхо д всех нейронов слоя i+1. Число нейронов в каждом слое может б ыть любым и никак заранее не связано с количеством нейронов в других слоях . Стандартный спос об подачи входных сигналов : все нейроны пе рвого слоя получают каждый входной сигнал . Особенно широко распространены трехслойные сет и , в которых каждый слой имеет с в ое наименование : первый входной , второй скрытый , третий выходной . Полносвязные сети . Здесь каждый нейрон передает свой выходной сигнал остальным не йронам , включая самого себя . Выходными сигнала ми сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети . Все входные сигналы подаются всем нейронам . Элементы слоистых и полносвязных сетей могут выбираться по-разному . Существует , впрочем , стандартный выбор : нейрон с адаптивным н еоднородным линейным сумматором на входе . Для полносвязной сети входной сумматор нейрона фактически распадается на два : перв ый вычисляет линейную функцию от входных сигналов сети , второй линейную функцию от выходных сигналов других нейронов , полученных на предыдущем шаге . Функция активац ии нейронов (характери стическая функция ) это нелинейный преобразователь выходного сигнала сумматора . Если функция одна для всех нейронов сети , то сеть называют однородной (гомогенной ). Если же ха рактеристическая функция зависит еще от одног о или нескольки х параметров , значени я которых меняются от нейрона к нейрону , то сеть называют неоднородной (гетерогенной ). Составлять сеть из нейронов стандартного вида не обязательно . Слоистая или полносв язная архитектуры не налагают существенных ог раничений на участвую щие в них элемен ты . Единственное жесткое требование , предъявляемое архитектурой к элементам сети , это соотве тствие размерности вектора входных сигналов э лемента (она определяется архитектурой ) числу его входов . Если полносвязная сеть функционир ует до полу ч ения ответа заданное число тактов k, то ее можно представить как частный случай k-слойной сети , все сл ои которой одинаковы и каждый из них соответствует такту функционирования полносвязной сети . Существенное различие между полносвязной и слоистой сетями с тановится очевидным , когда число тактов функционирования заранее не ограничено слоистая сеть так работать не может . Доказаны теоремы о полноте : для любой непрерывной функции нескольких переменных мо жно построить нейронную сеть , которая вычисля ет эту функц ию с любой заданной т очностью . Так что нейронные сети в каком-т о смысле могут все . Задачи для н ейронных сетей Многие задачи , для решения которых используются нейронные сети , могут рассматри ваться как частные случаи следующих основных проблем : · построе ние функции по конечному набору значений ; · оптимизация ; · построение отношений н а множестве объектов ; · распределенный поиск и нформации и ассоциативная память ; · фильтрация ; · сжатие информации ; · идентификация динамических систем и управление ими ; · нейросетевая реализация классических задач и алгоритмов вычислительной математики : решение систем линейных уравнени й , решение задач математической физики сеточн ыми методами и др . Однозначно построи ть функцию (обычно многих действительных пере мен ных ) по конечному набору значений н евозможно без специальных дополнительных условий . В качестве таких условий в классических подходах используются требования минимизации некоторых регуляризирующих функционалов , например , интеграла суммы квадратов вторых п р оизводных требование максимальной гладкости . При этом известные в конечном множестве точек значения функции превращаются в на бор ограничений , при которых находится миниму м функционала . С помощью нейронных сетей строится , ес тественно , нейросетевая реализац ия функции : создается нейронная сеть , которая , получая на входе вектор аргументов , выдает на выхо де значение функции . Обычно предполагается , чт о любая типичная нейросетевая реализация подо йдет для решения задачи . При необходимости вместо требования максим а льной гла дкости минимизируют число слоев , количество н ейронов и /или число связей , а также вв одят условие “максимально пологой” функции ак тивации нейронов . Построить функцию по конечному набору значений обычно требуется при решении одно й из самых актуальны х для пользовател ей и аналитиков задач : заполнение пропусков в таблицах . Пусть , как обычно , каждая стр ока таблицы данных соответствует какому-либо объекту , а в строках указаны значения приз наков (свойства ) соответствующих объектов . В по давляющем большинст в е случаев данные неполны : по крайней мере , для части об ъектов неизвестны значения некоторых признаков . Необходимо как-то восстановить пропущенные зна чения . Достоверная статистическая оценка должна давать для отсутствующих данных их условно е математическое ожидание (условия изв естные значения других признаков ) и характери стику разброса доверительный интервал . Это , од нако , требует либо непомерно большого объема известных данных , либо очень сильных пред положений о виде функций распределения . Прихо дится вместо статистически достоверных уравнений регрессии использовать правдоподобные нейросетевые реализации . Термин “правдоподобные” взят нами из книги Дж . Пойя “Математика и правдоподобные рассуждения” . Любая , даже самая строгая мате матическая конструкция сначала создается вс его лишь как правдоподобная гипотеза . Правдоп одобными мы называем те выводы , которые ещ е не прошли испытания на достоверность и строгость , однако именно так совершаются открытия . Кроме того , напомним , что утверждения о статистической достоверн о сти б азируются на весьма ограничительных гипотезах о статистической природе эмпирического материа ла (согласно этой природе данные представляют собой результаты независимых статистических испытаний выбора из фиксированной генеральной совокупности ). Задача классификации также может ра ссматриваться как задача заполнения пропусков в таблицах : для каждого класса в таблиц е есть поле , в котором указывается , принад лежит объект данному классу или нет . В эти поля могут помещаться численные значен ия , например , 1, ес л и объект принадле жит классу , и 0 (или -1) в противном случае . При обучении классификации с учителем для части объектов , составляющих обучающую выборку , известно , каким классам они принадлеж ат . Требуется построить нейронную сеть , котора я по признакам объек та (записанным в других полях таблицы ) определяла бы , к какому классу он принадлежит , т . е . запол няла бы соответствующие поля . Построение отношений на множестве объекто в одна из загадочных и открытых для т ворчества самых перспективных областей применени я искусственного интеллекта . Первый и са мый распространенный пример этой задачи класс ификация без учителя . Допустим , задан набор объектов , причем каждому объекту сопоставлен вектор значений признаков (строка таблицы ). Требуется разбить эти объекты на классы эквивалентности . Зачем нужно строить отношения эквивалентности между объектами ? В первую очередь для фиксации знаний . Мы накапливаем знания о классах объектов это практика многих тысячелетий , зафиксированная в языке : знание относится к имени класса (приме р стандартной древней формы : “люди смертны” , “люди” имя класса ). В ре зультате классификации появляются новые имена и правила их присвоения . Для каждого но вого объекта мы должны сделать две вещи : · найти класс , к кото рому он принадлежит ; · использовать н овую информацию , полученную об этом объекте , д ля исправления (коррекции ) правил классификации . Какую форму могут иметь правил а отнесения к классу ? Традиционно класс пр едставляют его “типичные” , “средние” , и т.п . элементы . Такой типичный объект является ид еальной конструкцией , олицетворяющей класс . Объект относят к какому-либо классу в р езультате сравнения с типичными элементами ра зных классов и выбора ближайшего . Правила , использующие типичные объекты , очень популярны и служат основой для нейросетевой кла с сификации без учителя . Нейросети сегодня широко используются для решения классической проблемы производст ва (раскопок ) знаний из накопленных данных . Обучаемые нейронные сети могут производить и з данных скрытые знания : создается навык п редсказания , классиф икации , распознавания обра зов и т.п ., но его логическая структура обычно остается скрытой от пользователя . Для проявления (контрастирования ) этой скрытой ло гической структуры нейронные сети приводятся к специальному “логически прозрачному” разреженн ому ви д у . Сама нейронная сеть после удаления лишних связей может рассматрив аться как логическая структура , представляющая явные знания . Технология получения явных знаний из данных с помощью обучаемых нейронных сетей выглядит довольно просто и вроде бы не вызывае т затруднений . Ее реализация в ключает несколько этапов . Первый этап : обучаем нейронную сеть ре шать базовую задачу (обычно это распознавание или предсказание ). В большинстве случаев ее можно трактовать как задачу восполнения пробелов в данных . Такими пробе лами могут быть имя образа при распознавании , номер класса , результат прогноза и т . д . Второй этап : исключая наименее значимые связи (и доучивая сети чаще всего , неодн ократно ), приводим нейронную сеть к логически прозрачному виду так , чтобы полученный на в ык можно было “прочитать” . Конечный результат неоднозначен если стар товать с другой начальной карты связей , то можно получить другую логически прозрачную структуру . Каждой базе данных отвечает не сколько вариантов явных знаний . Можно считать это недостатко м технологии , но я полагаю , что , наоборот , технология , дающая единс твенный вариант явных знаний , недостоверна , а множественность результатов является фундамента льным свойством производства явных знаний из данных . Простой пример : нейронная сеть обучалась п редсказывать результаты выборов президе нта США по ряду экономических и политичес ких показателей . Обученные сети были минимизи рованы по числу входных параметров и связ ей . Оказалось , что для надежного предсказания исхода выборов в США достаточно знать ответ ы всего на пять вопросов , приведенных ниже в порядке значимости : · Была ли серьезная к онкуренция при выдвижении от правящей партии ? · Отмечались ли во вр емя правления существенные социальные волнения ? · Был ли год выборов временем спада или депрессии ? · Произвел ли правящий президент значительные изменения в политике ? · Была ли в год в ыборов активна третья партия ? От использования остальных призна ков нейросеть отказалась . Более того , эти пять “симптомов” политической ситуации в стра не входят в рас познающее правило двум я “синдромами” . Пусть ответы на вопросы ко дируются числами : +1 “да” и -1 “нет” . Первый си ндром есть сумма ответов на вопросы 1, 2, 5. Его естественно назвать синдромом политической н естабильности (конкуренция в своей партии плю с соци а льные волнения плюс дополн ительная оппозиция ). Чем он больше , тем хуж е для правящей партии . Второй синдром разн ость ответов на вопросы 4 и 3 (политическое н оваторство минус экономическая депрессия ). Его наличие означает , что политическое новаторство может, в принципе , уравновесить в гл азах избирателей экономический спад . Результаты выборов определяются соотношением двух чисел значений синдромов . Простая , но достаточно у бедительная политологическая теория , чем-то напоми нающая концепцию то ли Маккиавелли , то ли Ленина (“единство партии прежде вс его , оно является важнейшим слагаемым политич еской стабильности” ). Именно нейросетевая технология произв одства знаний , по-моему , является “точкой роста ” , которая по-новому развернет нейроинформатику , преобразует многие разделы информатики и создаст новые . Примеры приложений Насколько мы можем судить по открытой печати , приложения нейронных сетей распредел ены примерно следующим образом : более 60% рынка занимают финансовые и военно-технические при ложения ; медицинские пр иложения тоже нахо дятся на весьма почетном месте около 10%. Большинство приложений , созданных красноярско й группой “НейроКомп” связано с решением задач классификации . Работы ведутся в несколь ких направлениях : медицинская диагностика , проблем ы психологичес кой совместимости , педагогика и социология . Кроме того , наше программное обеспечение использовалось другими исследовател ями для предсказания колебаний уровня Каспийс кого моря и прогноза климатических изменений , а также для решения задач технической диагно с тики , космической навигации и др . Наши сети обучаются методами , основа нными на минимизации ошибки . Все они подро бно описаны в работе . Основные пользовательские преимущества нейро сетевого ПО перед другими системами его “ демократичность” (врачи практически самостоятел ьно создавали себе экспертные системы ) и у ниверсальность , способность справиться с большим спектром задач . Кроме того , нейроимитаторы с успехом могут использоваться и в мед ицинских исследованиях . Вот несколько характерных примеров постро енных систем . Пример 1. Измерение накопленной дозы радиоактивного облучения Даже небольшая величина накопленной дозы радиоактивного облучения заметно влияет на состояние многих органов и систем органи зма , прежде всего , иммунной и эндокринной . Традиционные метод ы позволяют достаточно точно оценить состояние этих систем , однако часто бывает трудно установить , чем вызвано изменение их параметров : повышенной дозой облучения или самостоятельным заболеванием . Исследователи стремились выявить связи ме жду накопленной д озой радиоактивного облу чения и комплексом иммуннологических , гормональны х и биохимических параметров крови человека , создать метод , позволяющий по этим парам етрам судить о величине дозы . Для этого был применен нейросетевой классификатор . Обучаю щими приме р ами являлись перечисленные параметры (всего 35) у полутора сотен челове к , занятых в производстве на предприятии а томной промышленности . Среди обследуемых был проведен дозиметрич еский контроль , и по величине накопленной дозы они были разделены на 3 класса. 4- й класс составили люди , величина дозы у которых была в пределах естественных фонов ых значений . При статистическом анализе обучающей выбо рки по большинству параметров не выявлялось достоверных различий между классами , а им еющиеся различия не прослеживал ись по всем классам . Однако нейросеть , используя ве сь комплекс параметров , полностью обучилась р аспознавать класс каждого примера . При тестир овании на выборке с заранее известными от ветами класс определялся правильно в 100% случае в . Обученной сетью были п р отестиро ваны 140 человек , проживающих в зоне влияния предприятия атомной промышленности , но не зан ятых на производстве . По данным нейросети только у 3 человек величина накопленной дозы была в предела х естественного фона ; у 51 человека определялась слабая доза , у 82 средняя , и у 4 чел овек сильная . Пример 2. Ранняя д иагностика злокачественных опухолей сосудистой о болочки глаза Меланомы сосудистой оболочки глаза состав ляют 88% всех внутриглазных опухолей , но их м ожно распознать лишь на поздней стадии ра звит ия . Традиционные методы выявления заб олевания на ранней стадии не вполне надеж ны , довольно сложны и дорогостоящи . Предлагаемый способ ранней диагностики ме ланом хориоидеи включает применение нового ла бораторного метода , разработанного в Красноярском межоб ластном офтальмологическом центре и м . Макарова , и интерпретацию получаемых данных нейросетевым классификатором . Лабораторный метод основан на косвенном измерении содержания пигмента (меланина ) в ресницах . Полученные данные спектрофотометрии , проведенной н а нескольких частотах для каждого глаза , а также некоторые общие характеристики обследуемого (пол , возраст и др .), подаются на входные синапсы 43-нейронного классификатора . Нейросеть решает , имеется ли у пациента опухоль , и если да , то опреде ляет стадию р а звития заболевания , выдавая при этом процентную вероятность своей уверенности . Даже при подозрении на налич ие опухоли больной может быть направлен н а дальнейшее углубленное обследование . Таким образом , данная технология может использоваться для скринингов ы х профилактических обследований населения . Стартовое обучение нейросетевого классификат ора было проведено на параметрах 195 обследованн ых людей с ранними и поздними стадиями опухолей , а также не имеющих опухоли . Не йроклассификатор обладает способностью да льн ейшего накопления опыта по мере использования . Пример 3. Новая кл ассификация иммунодефицитов Если хорошей предсказывающей или диагност ической системы построить не удается , возника ет предположение о “скрытых параметрах” , неуч тенных и неизмеренных свойс твах . Наблюдае мые параметры зависят от них , поэтому и не удается построить хорошей зависимости . Одна из простейших форм предположения о скрытых параметрах гипотеза о качественн ой неоднородности выборки . Она означает , что скрытые параметры принимают сравни тельно небольшое конечное число значений и всю выборку можно разбить на классы , внутри которых существенные скрытые параметры постоян ны . Достаточно большая нейронная сеть может освоить любую непротиворечивую обучающую выб орку , однако , как показывает практ ика , если достаточно малая нейронная сеть не м ожет обучиться , то из этого можно извлечь полезную информацию . Если не удается пост роить удовлетворительную регрессионную зависимость при заданном (небольшом ) числе нейронов и фиксированной характеристике (“кр у тизне ” функции активации ) каждого нейрона , то и з обучающей выборки исключаются наиболее слож ные примеры до тех пор , пока сеть не обучится . Так получается класс , который пред положительно соответствует одному значению скрыт ых параметров . Далее обучение можн о продолжить на отброшенных примерах и т.д . В одном из исследований нейросеть обу чали диагностике вторичного иммунодефицита (недос таточности иммунной системы ) по иммунологическим и метаболическим параметрам лимфоцитов . В обычных условиях по сдвигам этих па раметров иногда бывает трудно сделать верное заключение (и это хорошо известная в иммунологии проблема ). Были обследованы зд оровые и больные люди , параметры которых и спользовались для обучения . Однако малая нейр осеть не обучалась , причем хорошо распознава л а все до единого примеры здо ровых людей , а часть примеров больных пута ла со здоровыми . Тогда был сделан следующи й шаг : каждый раз , когда сеть останавливал а работу , из обучающей выборки убирался пр имер , на данный момент самый трудный для распознавания , и п о сле этого вновь запускался процесс обучения . Постепенно из обучающей выборки были исключена примерно треть больных (при этом ни одного здорового !), и только тогда сет ь обучилась полностью . Так как ни один здоровый человек не был исключен из об учения , груп па здоровых не изменилась , а группа больных оказалась разделена на 2 подгруппы оставшиеся и исключенные примеры бо льных . После проведения статистического анализа выяснилось , что группа здоровых и исходная группа больных практически не отличаются д руг от д руга по показателям метаболиз ма лимфоцитов . Однако две подгруппы больных статистически достоверно отличаются от здоровы х людей и друг от друга по нескольким показателям внутриклеточного метаболизма лимфоц итов . Причем в одной подгруппе наблюдалось увеличен и е активности большинства лимфоцитарных ферментов по сравнению со здоро выми , а в другой подгруппе депрессия (сниж ение активности ). Для этих подгрупп и прог ноз течения болезни , и лечение различны . Истинные преимущества нейронных сетей ? Нейронные сети нынче в моде , но стоит ли следовать за ней ? Ресурсы ог раничены особенно у нас и особенно теперь . Так что же такое Нейрокомпьютер интеллек туальная игрушка или новая техническая револю ция ? Что нового и полезного может сделать нейрокомпьютер ? Очевидно , что на нов ы е игрушки , даже высокоинтеллектуальные , ср едств нет ; нейрокомпьютер должен еще доказать свои необыкновенные возможности совершить то , что не под силу обычной ЭВМ , иначе на него не стоит тратиться . У энтузиастов имеются свои рекламные способы отвечать на з аданные вопросы , рисуя радужные горизонты . Но все это в будущем . А сейчас ? Ответы парадоксальны : · нейрокомпьютеры это но вая техническая революция , которая приходит к нам в виде интеллектуальной игрушки (вспо мните , и ПК были придуманы для игры ); · для любой задачи , которую способен решить нейрокомпьютер , можн о построить специализированную ЭВМ , которая р ешит ее не хуже , а подчас даже лучше . Зачем же тогда нейрокомпьютеры ? Вступая в творческую игру , мы не можем знать , чем она кончится , иначе это не Игра. Поэзия и рекла ма дают нам фантом , призрак результата , по гоня за которым важнейшая часть игры . Стол ь же призрачными могут оказаться и прозаи ческие ответы игра может далеко от них увести . Но и они необходимы иллюзия пра ктичности столь же важна , сколь и илл ю зия величия . Вот несколько вариан тов прозаических ответов на вопрос “зачем ?” . А. Нейрокомпьютеры дают стандартный способ решения многих нестан дартных задач . И неважно , что специализированн ая машина лучше решит один класс задач . Важнее , что один нейрокомпь ютер решит и эту задачу , и другую , и третью и не надо каждый раз проектировать специал изированную ЭВМ , нейрокомпьютер сделает все с ам и почти не хуже . Б. Вместо программи рования обучение . Нейрокомпьютер учится нужно только формировать учебные задачники . Т ру д программиста замещается новым трудом учител я (может быть , лучше сказать тренера или дрессировщика ). Лучше это или хуже ? Ни то , ни другое . Программист предписывает машине все детали работы , учитель создает “образов ательную среду” , к которой приспосабли в ается нейрокомпьютер . Появляются новые во зможности для работы . В. Нейрокомпьютеры особенно эффективны там , где нужен аналог человеческой интуиции для распознавания образов (узнавания лиц , чтения рукописных текстов ), подготовки аналитических прогнозов , пер евода с одного естественного языка на другой и т.п . Именно для таких задач обычно трудно сочинить явный алгоритм . Г. Нейронные сети позволяют создать эффективное программное об еспечение для компьютеров с высокой степенью распараллеливания обработки . Пробл ема эф фективного использования параллельных системы хо рошо известна многим . Как добиться того , ч тобы все элементы одновременно и без лишн его дублирования делали что-то полезное ? Созда вая математическое обеспечения на базе нейрон ных сетей , можно для широко г о класса задач решить эту проблему . Д. Нейросетевые сис темы “демократичны” , они также дружественны , к ак текстовые процессоры , поэтому с ними мо жет работать любой , даже совсем неопытный пользователь . Все это вместе служит рациональным ос нованием для нейро компьютерной моды .
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
- Слышь, братан, кончай ты на своем Гелендвагене с полицией гоняться, всё равно поймают.
- Ничего, если поймают, папка договорится.
- Ну да, пока договорится, пока то да сё - будешь неделю как лох на Крузаке ездить!
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, реферат по компьютерным сетям "Нейроинформатика", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru