Нейроподобные растущие сети новая технология обработки информации (стр. 2 из 3)

Определение 1. Нейроподобной растущей сетью называется совокупность определенным образом взаимосвязанных нейроподобных элементов, предназначенных для приема и преобразования информации, причем в процессе приема информации сеть увеличивается в размерах - растет.

Рис.1

Нейроподобные растущие сети (рис.1) формально задаются следующим образом: S = (R, A, D, M, P, N), здесь R - конечное множество рецепторов, которые составляют порождающее множество сети;A -конечное множество нейроподобных элементов, соответствующих сочетаниям признаков, которые определяют условные и безусловные рефлексы, реакции, мотивации и т.п., а также слова, фразы, описания понятий, объектов, конъюнктивные связи объектов, и т.п; D -конечное множество дуг, связывающих рецепторы с нейроподобными элементами и нейроподобные элементы между собой; P={P_i}, здесь P_i - порог возбуждения вершины a_i, P_i = f(m_i ) і P (P - минимально допустимый порог возбуждения) при условии, что множеству дуг D, приходящих на вершину a_i, соответствует множество весовых коэффициентов M ={m_i}, причем m_i может принимать как положительные, так и отрицательные значения; N - коэффициент связности сети.

В биологических средах информация об одном и том же объекте или классе объектов представляется в различных отображениях, например, в зрительном, вербальном, тактильном и др. В связи с этим при моделировании описаний внешнего мира необходимо иметь возможность отражать данные описания в различных взаимосвязанных структурах. Такой структурой являются многомерные нейроподобные растущие сети, описывающие объекты или классы объектов в различных информационных пространствах.

Определение 2. Информационным пространством называется область нейроподобной растущей сети, состоящая из множества вершин и дуг, объединенных в единую информационную структуру.

Определение 3. Множество взаимосвязанных ациклических графов, описывающих нейроподобные растущие сети в различных информационных пространствах, называются многомерными нейроподобными растущими сетями (мн-РС).

Формально мн-РС задается пятеркой: S = (R, A, D, P, M, N), при этом RЙ R_l , R_r , R_v ; AЙ A_l , A_r , A_v ; DЙ D_l , D_r , D_v ;PЙ P_l, P_r, P_v, где R_l, R_r, R_v - конечное подмножество рецепторов; A_l, A_r, A_v - конечное подмножество нейроподобных элементов; D_l, D_r, D_v - конечное подмножество дуг; P_l, P_r, P_v - конечное подмножество порогов возбуждения нейроподобных элементов, принадлежащих различным информационным пространствам, например, лингвистическому, речевому или визуальному; M- конечное множество весовых коэффициентов связей; N - конечное множество переменных коэффициентов связности.

Базовым принципом физиологии высшей нервной деятельности является основной закон биологии - единство организма и среды. Этот закон предусматривает приспособительную изменчивость организма относительно среды.

В основе приспособительного поведения любого организма лежит способность к обучению, т.е. способность запоминать последствия своих действий. Можно сказать, что изучение разумного поведения - это в какой-то мере исследование способности приобретать знания о связях в окружающем мире. “Организм обучаетсяпутем построения сенсорно-моторных схем: он извлекает из своего опыта соотношения между информацией, воспринимаемой его сенсорными системами, и своими действиями (моторной активностью)” [7].

Таким образом, взаимодействие биологических объектов с окружающей средой осуществляется через акты движения. С целью обеспечения возможности моделирования процессов обучения и приобретения системой знаний нейроподобные растущие сети развиваются в рецепторно-эффекторные нейроподобные растущие сети (рэн-РС).

Определение 4. Рецепторно-эффекторной растущей сетью называется двухсторонний ациклический граф, в котором минимальное число заходящих дуг на вновь образуемые вершины графа равно переменному коэффициенту n, где n всегда больше двух.

Рис.2

Определение 5. Рецепторно-эффекторные растущие сети, в которых каждой дуге рецепторной зоны, приходящей на вершины этой зоны, соответствует определенный весовой коэффициент, а вершинам - определенный порог возбуждения, и каждой дуге эффекторной зоны, приходящей на вершины этой зоны соответствует определенный весовой коэффициент, а вершинам - определенный порог возбуждения, называются рецепторно-эффекторными нейроподобными растущими сетями.

Рецепторно-эффекторные нейроподобные растущие сети (рис.2) формально задаются следующим образом:

S=(R, A_r, D_r, P_r, M_r, N_r, E, A_e, D_e, P_e, M_e, N_e ), R={r_i}, - конечное множество рецепторов, A_r={a_i}, - конечное множество нейроподобных элементов рецепторной зоны, D_r={d_i}, - конечное множество дуг рецепторной зоны, E={e_i}, - конечное множество эффекторов, A_e={a_i}, - конечное множество нейроподобных элементов эффекторной зоны, D_e={d_i}, - конечное множество дуг эффекторной зоны, P_r={P_i}, P_e={P_i }, где P_i - порог возбуждения вершины a_ir , a_ie P_i =f(m_i)при условии, что множеству дуг D_r , D_e , приходящих на вершину a_ir, a_ie , соответствует множество весовых коэффициентов M_r ={m_i}, M_e={m_i}, причем m_i может принимать как положительные, так и отрицательные значения. N_r, N_e - переменные коэффициенты связности рецепторной и эффекторной зон. В рэн-РС рецепторные поля R, являются аналогом сенсорной и рецепторной областей биологических объектов, эффекторныеполя E - аналог моторной области биологических объектов. Рецепторно-эффекторные нейроподобные растущие сети подразделяются на однослойные, многослойные и многомерные рецепторно-эффекторные нейроподобные растущие сети.

Нейроподобные растущие сети являются динамической структурой, которая изменяется в зависимости от значения и времени поступления информации на рецепторы, а также предыдущего состояния сети. В ней информация об объектах представляется ансамблями возбужденных вершин и связями между ними. Запоминание описаний объектов и ситуаций сопровождается вводом в сеть новых вершин и дуг при переходе какой - либо группы рецепторов и нейроподобных элементов в состояние возбуждения. Процесс возбуждения волнообразно распространяется по сети. Переменный коэффициент связности позволяет управлять числом дуг, приходящих на вновь образуемые нейроподобные элементы, и числом нейроподобных элементов в сети, что является одной изотличительных чертой нового класса сетейот существующих нейронных сетей.

Основные отличия и сравнительные характеристики нейроподобных растущих сетей и общепринятых нейронных сетей приведены в табл.1.

Табл. 1

Нейроподобные растущие сети	Нейронные сети
Нейроподобный элемент. Вычислительное устройство с памятью.	Нейронный элемент. Пороговый элемент
Определяется некоторая произвольная функция входов, например: формула Байеса P(H:E)=P(E:H) P(H)/(P(E:H) P(H)+ P(E:неH) P(неH))*	Определяется взвешенная сумма входов, обработанная не линейно
Связи и веса задаются и появляются ровно столько сколько необходимо.	Связи и веса определяются архитектурой сети.Количество связей избыточно. Требуются специальные методы отсеивания связей.
Коэффициент связностиПозволяет управлять соотношением связь / нейроподобный элемент .	Коэффициент связности Отсутствует
Перестраиваемая структура. Нейроподобные элементы связаны между собой по смыслу	Фиксированная структура. Элементы связаны каждый с каждым
Возможность композиции и декомпозиции (дедукции-индукции). По набору признаков определяется объект по объекту набор признаков.	Возможность композиции и декомпозиции Отсутствует
Многоуровневая структура. Число уровней (слоев) произвольное, определяется по смыслу.	Используется обычно до 3-х уровней (слоев). Использование более 3-х слоев не осмысленно.
Скорость обучения от нескольких минут до секунд.	Скорость обучения от многих часов до секунд.
Появление ложных фантомов (ложных аттракторов) – отсутствует	Появление ложных фантомов (ложных аттракторов) – присутствует
Емкость сети 100%	Емкость сети 20-30%
Параллелизм вычислений по ветвям активности во всех слоях параллельно.Эффективность счета повышена (счет по активной части сети).	Параллелизмвычислени по слоям последовательно. Эффективность счета понижена (счет по всей сети ( по всей матрице связей)).

*) P(H) – априорная вероятность исхода в случае отсутствия дополнительных свидетельств