Особенности нейросетей

Главное достоинство [37] нейросетей в том, что они предоставляют в руки пользователю некий универсальный нелинейный элемент с возможностью широкого изменения  и настройки его характеристик. Располагая своего рода конструктором из таких элементов и соединяя их в сеть, пользователь, с одной стороны, получает возможность широкого изменения ее характеристик, а с другой - может особенно не задумываться над процессами, происходящими в этой сети. Им заранее гарантированы целенаправленность и оптимальность, приводящие в конечном итоге к достаточно приемлемому результату. Появление нейросетей укладывается в общую для всей информационной индустрии тенденцию - переход от деталей к крупноблочному строительству (Case-системы, объектно-ориентированные технологии и т.п.).

Набор нелинейных адаптивных элементов позволяет моделировать любое нелинейное преобразование и настраивать его на различные задачи автоматически путем изменения параметров в процессе обучения. Причем в последнее время наблюдается тенденция использовать для настройки не эмпирически найденные приемы (типа правила Хебба, обратного распространения ошибки и т.п.), а универсальные и хорошо отработанные математические методы поиска экстремума целевой функции в пространстве параметров. Это касается и выбора целевой функции: переход от частных эмпирически найденных форм (аналог энергии в сетях Хопфилда, суммарная квадратичная ошибка в методе обратного распространения) к более общим.

Место нейронных сетей в системах обработки информации можно указать по аналогии со структурой человеческой психики: оно соответствует низшему интуитивному уровню реакций, когда требуется быстрый ответ на достаточно стандартную ситуацию. Если ответ не найден или система сомневается в его правильности, то управление передается более высокому логическому уровню. Ему соответствует экспертная система, располагающая широкой базой знаний и способная делать более обоснованные выводы.

Нейронные сети способны решать такие задачи, как распознавание образов, выделение сигнала на фоне шума, исправление ошибок, управление сложной адаптивной системой управления при невозможности формализовать экспертные знания или при отсутствии таковых и т.п. Все это уже находит широкое практическое применение (некоторые примеры приведены ниже). Нейросеть может запоминать действия опытного оператора, управляющего сложной системой, а затем воспроизводить их, проявляя необходимую гибкость, сменяя образцы поведения и выбирая среди них тот, который наиболее близок и адекватен текущей ситуации. При этом нет необходимости алгоритмизировать деятельность оператора, чтобы затем на ее основе строить программу управления: система схватывает формы поведения целостно как неразложимое целое и создает для их реализации соответствующие структуры.

В общем случае в поведении такой системы [67] следует различать три задачи:

• обучение и запоминание поведенческих образцов (эталонов), задаваемых внешними условиями. При этом происходят образование и модификация связей между элементами;
• распознавание внешней ситуации, отнесение ее к одному из запомненных эталонов, выбор соответствующего поведенческого образца;
• реализация выбранного эталона поведения, поддержание эталонных значений переменных, возвращение к ним после возмущений, исправление ошибок и нейтрализация помех, создаваемых внешней средой. В частном случае третья задача может отсутствовать и работа системы может завершаться распознаванием ситуации.