350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №1 за 2014 г.
Статья в номере:
Анализ модели импульсной рекуррентной нейронной сети в составе машины неустойчивых состояний
Ключевые слова: рекуррентная нейронная сеть импульсные нейроны резервуарные вычисления динамические синапсы биоинспирированные модели
Авторы:
Е. Н. Бендерская - к.т.н., доцент, кафедра «Компьютерные системы и программные технологии», Санкт-Петербургский государственный политехнический университет. E-mail: helen.bend@gmail.com К. В. Никитин - аспирант, кафедра «Компьютерные системы и программные технологии», Санкт-Петербургский государственный политехнический университет. E-mail: execiter@mail.ru
Аннотация:
Проведен разбор составляющих одной из перспективных моделей распознавания динамических образов - импульсной рекуррентной нейронной сети. Рассматриваемая модель входит в состав машины неустойчивых состояний, представляющей собой систему распознавания, и относится к новому типу резервуарных вычислителей. Представлены схема системы распознавания на основе машины неустойчивых состояний и структура импульсной нейронной рекуррентной сети. Основные результаты анализа сведены в таблицу математических моделей, образующих систему распознавания.
Страницы: 17-22
Список источников

  1. Бендерская Е.Н. Нелинейные динамические системы как основа новых интеллектуальных систем // Стохастическая оптимизация в информатике. 2012. Т. 8. № 2. С. 136−150.
  2. Бендерская Е.Н., Жукова С.В. Осцилляторные нейронные сети с хаотической динамикой в задачах кластерного анализа // Нейрокомпьютеры: разработка, применение. 2011. №7. С. 74−86.
  3. Борисюк Г.Н. и др.Осцилляторные нейронные сети. Математические результаты и приложения // Математическое моделирование. 1992. Т. 4. № 1. С. 3−43.
  4. Фрадков А.Л. Кибернетическая физика: принципы и примеры. СПб.: Наука. 2003. 208 с.
  5. Хайкин С. Нейронные сети: полный курс.Пер. с англ.2-е изд. М. : Вильямс. 2000. 1104с.
  6. Gerstner W., KistlerW.M.Spiking Neuron Models. Single Neurons, Populations, Plasticity. Cambridge : Cambridge University Press. 2002. 480 p.
  7. Handbook of brain connectivity / Edited by V.K. Jirsa, A.R. McIntosh. Berlin: Springer-Verlag. 2007. 528 p.
  8. HopfieldJ.J. Neural networks and physical systems with emergent collective computational abilities // PNAS. 1982. V. 79. P. 2554-2558.
  9. Izhikevich E. M. Which model to use for cortical spiking neurons - / IEEE Transactions on Neural Networks. 2004. V. 15. № 5. P. 1063-1070.
  10. Maass W., Natschläger T., Markram H. Real-time computing without stable states: a new framework for neural computations based on perturbations // Neural Computation. 2002. V. 11. P. 2531-2560.
  11. Markram, H., Wang Y., Tsodyks M. Differential signaling via the same axon of neocortical pyramidal neurons // PNAS. 1998. V. 95. P. 5323-5328.
  12. Markram H., Tsodyks M. Redistribution of synaptic efficacy between neocortical pyramidal neurons // Nature. 1996. V. 382. P. 807-810.
  13. Schrauwen B., Verstraeten D., Campenhout J.V. An overview of reservoir computing theory, applications and implementations // Proc. of the 15th European Symposium on ANN. 2007. P. 471-482.
  14. Siegelmann H.T. Neural and super-Turing computing // Minds and Machines. 2003. V. 13. P. 103-114.
  15. Zak M., Zbilut J.P., Meyers R.E. From instability to intelligence Complexity and predictability in nonlinear dynamics. Berlin: Springer-Verlag. 1997. 552 p.