Состояние и перспективы развития нейрокомпьютерных систем
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
[4]. За счет масштабируемой мультипроцессорной архитектуры, архитектуры памяти, использования сигнальных процессоров, выполняющих наиболее интенсивные вычислительные операции, разработчикам удалось добиться производительности компьютера, равной нескольким миллиардам соединений (умножений и сложений) в секунду. Благодаря этим аспектам, становится возможной реализация большого спектра приложений, выходящих за рамки классических информационных технологий, включая моделирование деятельности мозга и органов чувств человека, решение комплексных вопросов оптимизации и управления, разработку самообучаемых и экспертных систем, то есть тех задач, которые составляют проблематику современной теории НПС.
Ориентация аппаратных и инструментальных программных средств Synaps1 на решение задач в нейросетевом исполнении, а так же архитектурная способность к наращиванию мощности и подключению внешних устройств очувствления, позволяют выделить эту вычислительную систему в отдельный класс специализированных вычислительных систем, подготовленных к быстрому прототипированию любых, даже самых сложных НПС, тестированию концепций и созданию нейроимитаций, доведению разработок до готового коммерческого продукта.
Приведенные сведения подтверждают реальность создания нейрокомпьютерных средств уже сегодня на базе интегральной цифровой микроэлектроники, что дает дополнительный стимул развития теоретических исследований, направленных на поиск решений широкого круга практических задач на основе нейросетевых парадигм вычислений.
Заключение
Искусственные нейронные сети служат универсальным и эффективным средством моделирования и идентификации нелинейных объектов. С их помощью в настоящее время успешно решаются сложные задачи распознавания, классификации и оптимизации. Не менее перспективным является использование искусственных нейросетей, и прежде всего класса многослойных, для синтеза оптимальных (точнее, субоптимальных) алгоритмов управления многосвязными нелинейными объектами со сложной и немоделируемой динамикой. Сочетание концепций, методов и математического аппарата современной нелинейной теории управления с теорией обучаемых искусственных нейронных сетей открывает широкие перспективы для структурного синтеза сложных динамических систем, в том числе того класса, который сейчас относят к системам с элементами искусственного интеллекта.
С позиций современной теории автоматического управления применение МНС как регуляторов объектов адекватно задачам, возникающим в тех нередких случаях, когда аналитический синтез системы управления становится весьма трудоемкой задачей из-за сложности или недостоверности используемой математической модели объекта. Такая ситуация неизбежна, если объект - многосвязный и содержит нелинейности, а его функционирование сопровождается неконтролируемыми изменениями во времени его динамических свойств.
Состояние теории искусственных нейронных сетей и их применение отражено в огромном числе работ и реализовано главным образом за рубежом: в коммерческих программных средствах научного и прикладного характера. Немалое их число составляют работы по применению сетей для автоматического управления. Наибольшая часть из них посвящена применению МНС для управления движением роботов и манипуляторов. В этих случаях объект описывается статическими уравнениями, а обучение сети осуществляется для заданных, как правило, классов траекторий движения.
Проблемам управления динамическими объектами с помощью искусственных нейросетей уделяется меньшее внимание, как это следует из обзоров отечественных и зарубежных публикаций. В определенной степени это объяснимо теми проблемами, с которыми приходится сталкиваться специалистам при использовании стандартных алгоритмов обучения нейросетей в реальном масштабе времени, т.е. в темпе протекания процессов в динамических объектах управления. С другой стороны существующее состояние структурного синтеза нейросетевых систем управления является следствием того, что специалисты по управлению пока еще недостаточно осведомлены о тех возможностях, которые открываются с использованием МНС для решения задач управления. В то же время сами приложения в области управления динамическими объектами занимают незначительное место в исследованиях специалистов по искусственным нейронным сетям. В последние годы положение дел в этой области начинает изменяться к лучшему: число публикуемых работ и докладов на конференциях разного уровня, посвященных применению нейросетей для управления динамическими системами, заметно выросло.
Искусственные нейронные сети и, в частности, многослойные сети прямого распространения служат мощным средством формирования управляющих воздействий на нелинейные объекты в условиях неполноты информации. В этом смысле применение нейросетей для управления в линейных динамических системах хотя и возможно, но действительно эффективное применение нейронных средств (нейроконтроллеров и нейрокомпьютеров) просматривается прежде всего для управления нелинейными объектами. Однако управление нелинейным объектом с помощью нелинейного нейросетевого контроллера порождает весьма сложную динамическую систему, синтез и анализ которой при выбранных целевых условиях требует нетрадиционных подходов и методов.
Глоссарий
№ п/пПонятиеОпределение1Автоассоциативная сетьмногослойная нейронная сет