Файл: Нечеткая логика и нейронные сети.pdf

Синапс – это место контакта между двумя нейронами, которое служит для передачи нервного импульса. Когда импульс достигает синаптической связи, высвобождаются определенное химическое вещество. Это вещество называется нейромедиатор. Чем важнее сигнал, тем больше выделяется нейромедиатора. Присутствие нейромедиатора в синаптической щели возбуждает или затормаживает способность клетки-приёмника генерировать электрические импульсы. Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Эта зависимость от предыстории действует как память, которая, возможно, ответственна за память человека.

Нейроны головного мозга действуют медленнее, чем транзисторы компьютера. Нейрон получает входные сигналы и, объединяя их, принимает решение генерировать либо нет импульс, для передачи синапсам соседних нейронов. Обычный нейрон может выполняет такую операцию и возвращается в исходное состояние за 5 миллисекунд. То есть за 1 секунду он выполняет около 200 таких операций! Современные компьютеры выполняет несколько сотен миллиардов операций в секунду. Значит, одна компьютерная операция выполняется в миллиарды раз быстрее, чем обычная операция в человеческом мозге.

Но наш мозг действует быстрее при выполнении сложных операций, типа распознавания образов, чем самые мощные цифровые компьютеры. Можно предположить, что это происходит т.к. в мозгу миллиарды клеток, работающих одновременно и параллельно над задачей. Для проверки этого предположения можно провести эксперимент с картинками. Человеку показывают фотографию собаки и спрашивают, что изображено. Если он видит собаку, то нажимает кнопку. Для современных компьютеров такая задача пока еще является сложной, а человек правильно отвечает за пол секунды. Значит информация, поступившая в ваш мозг человека, проходит цепочку около 100 нейронов, а это в миллиарды раз меньше количества операций выполняемых за это время компьютером.

В результате таких рассуждений обнаруживается, что количество информации, передаваемое от одного нейрона другому, должно быть очень маленьким. Значит основная информация не передается непосредственно от нейрона к нейрону, а распределяется в связях между нейронами. Исследования доказывают, что биологические нейроны структурно гораздо сложнее, чем упрощенная модель - искусственный нейрон, который является элементом современных искусственных нейронных сетей. Поскольку нейрофизиология предоставляет ученым широкое понимание действия нейронов, а технологии вычислений совершенствуется, разработчики сетей имеют неограниченное пространство для улучшения моделей биологического мозга.

3. Понятие искусственного нейрона

Одна из первых успешных попыток построения формальной модели реальных нейронов была предпринята в 1943 году Уорреном Мак-Каллоком и Уолтером Питтсом. Они считали, что произвольную высшую нервную деятельность, можно представить, как некоторую активность в сети, состоящей из логических элементов, принимающих только два состояния (1 или 0). А для каждого логического выражения можно сопоставить сеть логических элементов, обладающих  поведением, которое описывается некоторым выражением. На Рис. --- изображена модель формального нейрона, которая была предложена в дополнении к теории. Нейрон вычисляет взвешенную сумму n входных сигналов x_j, j = 1,2..n, и формирует на выходе сигнал величины 1, если эта сумма превышает определенный порог u, и 0 – в противном случае. Положительные синаптические веса Wi соответствуют возбуждающим связям, а отрицательные – тормозным. Мак-Каллок и Питтс доказали, что если подобрать веса соответствующим образом, то система параллельно работающих нейронов будет способна выполнять универсальные действия. Таким образом, можно провести аналогию между биологическим и формальным нейроном: взаимосвязь имитируется аксонами и дендритами, веса связей соответствуют синапсам, а пороговая функция отражает активность сомы. Входные сигналы преобразуются нейроном в выходной сигнал с использованием трех функциональных блоков: локальной памяти, блока суммирования и блока нелинейного преобразования(рис 3.1).

Рис. 3.1 Функциональная схема формального нейрона Мак-Каллока и Питтса

Ключевой элемент этой модели — веса. Именно они придают системе гибкость и позволяют настроиться на решение определенной задачи. Сигнал, который умножается на большой вес, дает больший вклад в общую сумму, а сигнал с нулевым весом не учитывается вовсе.