 |
 |
 |
 |
|
 |
 |
родственных дисциплинах, когнитивной науке и нейробихевиоральной науке. Такие модели появились
тж под предметными заголовками коннекционистских моделей и распределенной параллельной
обработки. В области познавательных процессов сети использовались для объяснения таких различных
феноменов, как распознавание слов, категоризация, восприятие зрительного паттерна,
координированное моторное действие, и неврологические расстройства. В этом отношении, М. н. с.
представляют собой резкий отход от прежних теорий, к-рые предполагали манипуляции символической
информ. по типу грамматических. Неграмматические и несимволические свойства нейронных сетей тж
обусловили их пригодность для объяснения отличных от человеческого видов научения и его
нейронных основ.
Нейронные сети предназначены для порождения системы вычислений, к-рая является
кооперативной и самоорганизующейся. Т. о. нейронная сеть не содержит в себе к.-л. эксплицитной
исполнительной или контролирующей подсистемы. Предполагается, что поведение, к-рое внешне
следует правилу, гипотезе или стратегии, возникает из взаимодействий между элементами, ни один из
к-рых не содержит правила, гипотезы или стратегии. Несмотря на то что сетевые модели опираются на
представление о нейроне, осн. масса этих моделей лишь незначительно ограничивает себя рамками
общеизвестной архитектуры и функционирования реальных НС. В очищенном от своих
дополнительных значений виде, нейронные сети являют собой единственный тип количественной
модели, подпадающей под традиционные критерии проверки любой модели в психологии.
Потребовалось широкое использование компьютерного моделирования, чтобы эти модели достигли
полного и точного определения через их собственные внутренние операции и механизмы порождения
выходных сигналов, позволяющего осуществлять четкие поведенческие прогнозы.
Основные характеристики
Элементы типичной нейронной сети можно описать при помощи двух уравнений, а именно
правила активации (или возбуждения) и правила обучения. Правило активации объединяет (суммирует)
входы в элемент и формирует уровень выходного сигнала. Вычисления сети связаны с передачей
выходных активирующих сигналов заданного уровня от одного элемента на входы др. элементов.
Правило обучения изменяет силу активных входов посредством переменных, наз. весами связи.
Входной уровень для принимающего элемента обычно определяется произведением воспринимаемого
уровня активации и текущего веса связи в принимающем элементе.
Линейный пороговый элемент
Начало совр. правилам активации было положено в работе Мак-Каллока и Питтса, касающейся
способности нейронов действовать как логические вентили. На рис. 1 изображен линейный пороговый
элемент. В его левой части представлены входные переменные, описываемые как входные уровни
активации (X
i
) и взвешенные связи (V
i
). Каждая переменная может принимать любое вещественное
значение. Однако уровни активации обычно задаются двоичными значениями (X
i
= 0,1), а веса —
значениями в пределах от -1 до +1. Суммарный входной уровень в любой момент времени определяется
суммой весов активных входов (? [V
i
X
i
]). Подобно входным уровням активации, выходной сигнал
элемента тж представлен двоичными значениями (Y = 0,1). Активация выхода определяется на основе
сравнения суммарного входного уровня с пороговой величиной (?) по следующей формуле:
Y = 1, если ? (V
i
X
i
) > ?, в противном случае Y = 0.
Рис. 1. Линейный пороговый элемент, в котором Х
i
—
входные уровни активации, V
i
—
веса
связей, ? — пороговая величина, a Y — выходной уровень активации
Манипулируя весами связи или пороговыми величинами, можно синтезировать общие
логические функции. Напр. логический элемент И может быть сконструирован следующим образом.
Предположим, что некий элемент имеет два входа (X1, Х2), каждый с весом связи 0,50 (V1 = V2 = 0,50), и
