Перспективные типы процессоров ЭВМ 285

X-

Рис. 3.28. Нейрон (а) и нейросеть (б)

некоторые из которых представлены на рис. 3.29. Одной из наибо-

Лее распространенных является нелинейная функция с насыщени-

ем, так называемая сигмоидальная (логистическая) функция:

/(*) = 1+е-

Состояния нейронов изменяются в процессе функционирова-

Ния и составляют кратковременную память нейросети. Каждый

Нейрон вычисляет взвешенную сумму пришедших к нему по синап-

Сам сигналов и производит над ней нелинейное преобразование.

При пересылке по синапсам сигналы умножаются на некоторый ве-

1 1

О т

а

Рис. 3.29. Типовые активационные функции:

А —единичная пороговая функция; б —линейный порог (гистерезис); в —сиг-

Моид (гиперболический тангенс); г —логистический сигмоид

Глава 3. Вычислительные системы

Совой коэффициент. В распределении весовых коэффициентов за-

Ключается информация, хранимая в ассоциативной памяти НС.

При обучении и переобучении НС ее весовые коэффициенты изме-

Няются. Однако они остаются постоянными при функционирова-

Нии нейросети, формируя долговременную память.

НС может состоять из одного слоя, из двух и большего числа,

Однако, как правило, для решения практических задач более трех

Слоев в НС не требуется. Число входов НС определяет размерность

Гиперпространства, в-котором входные сигналы могут быть пред-

Ставлены точками или гиперобластями из близко расположенных

Точек. Количество нейронов в слое сети определяет число гипер-

Плоскостей в гиперпространстве. Вычисление взвешенных сумм и

Выполнение нелинейного преобразования позволяют определить, с

Какой стороны от той или иной гиперплоскости в гиперпространст-

Ве находится точка входного сигнала.

В нейрокомпьютерах используются принципы обработки ин-

Формации, осуществляемые в реальных нейронных сетях. Это