350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №9 за 2013 г.
Статья в номере:
Построение системы ассоциативной памяти с использованием воспроизводящихся искусственных нейронных сетей (ВИНС)
Ключевые слова: нейронные сети алгоритмы обучения обработка потока сигналов
Авторы:
С.Д. Ионов - аспирант, отдел математического программирования, Институт математики и механики им. Н.Н. Красовского, Уральское отделение РАН. E-mail: progsdi@gmail.com С.В. Шарф - гл. программист, отдел системного обеспечения, Институт математики и механики им. Н.Н. Красовского, Уральское отделение РАН. E-mail: scharf@imm.uran.ru
Аннотация:
Рассмотрено решение задач обработки потока сигналов путем создания нейронных сетей, реализующих ассоциативную память. Введен специальный тип нейронных сетей - воспроизводящиеся искусственные нейронные сети (ВИНС), отличительные особенности которых: а) построение структуры из именованных параметрических подсетей, которые могут использоваться повторно; б) динамическое наращивание элементов; в) динамическое изменение весов связей с возможностью встраивания алгоритмов обучения непосредственно в нейронную сеть. Указаны основные элементы ВИНС: аддитивный нейрон, мультипликатор и шаблонный элемент. На различных примерах демонстрируются предоставляемые ими возможности. Отмечен создаваемый для ВИНС язык описания SAINNL и показаны его выразительные возможности для задания произвольных алгоритмов поведения нейронной сети.
Страницы: 32-44
Список источников

  1. Ионов С.Д. Воспроизводящиеся искусственные нейронные сети: обработка и ассоциативное связывание сигналов // Сб. тезисов «Современные проблемы математики». Екатеринбург: ИММ УрО РАН. 2013. С. 313-316.
  2. Siegelmann H.T., Sontag E.D. On the computational power of neural nets// Journal of computer and system sciences. 1995. № 50. С. 132-150.
  3. Widrow B., Hoff M.E. (Jr.) Adaptive switching circuits // IRE WESCON Conv. Rec. 1960. С. 96-104.
  4. Ионов С.Д. Многовариантность применения воспроизводящихся искусственных нейронных сетей в задачах распознавания  // Сб. тезисов XI Всеросс. науч. конф. «Нейрокомпьютеры и их применение». М.: МГПУ. 2013. С. 43-45.
  5. ИоновС.Д. Self-reproducing Artificial Intelligent Neural Network Language // https://bitbucket.org/ionsphere/axis4-neural/wiki/Language
  6. Smith R.G. NeuronC User's Manual // http://retina.anatomy.upenn.edu/~rob/ncman2.html
  7. Weitzenfeld A., Arbib M.A., Alexander A. The neural simulation language: a system for brain modeling. США, Массачусетс: MIT. 2002. 367 с.
  8. Gleeson P., Crook S., Cannon R.C., Hines M.L., Billings G.O. NeuroML: A Language for Describing Data Driven Models of Neurons and Networks with a High Degree of Biological Detail // http://www.ploscompbiol.org/article/info%3Adoi% 2F10.1371%2Fjournal.pcbi.1000815.
  9. ИоновС.Д. Associative Memory // https://bitbucket.org/ionsphere/axis4-neural/wiki/Associative%20memory
  10. Compact Flat Sorter Machine Active // http://postalautomation.elsag.it/PDF/schedaCFSM.pdf.
  11. ГОСТ Р 51506-99. Конверты почтовые. Технические требования. Методы контроля. М.: Изд-во стандартов. 2000. 20 с.