|
|
|
Жесткие статистические предложения о свойствах временных рядов ограничивают возможности методов математической стати- стики, теории распознавания образов, теории случайных процессов и т.п. Дело в том, что многие реальные процессы не могут адекватно быть описаны с помощью традиционных статистических моделей, поскольку, по сути, являются существенно нелинейными, и имеют либо хаотическую, либо квазипериодическую, либо смешанную (стохастика + хаос-динамика+детерминизм) основу [14 ,20, 21]. В данной ситуации адекватным аппаратом для решения задач диагностики и прогнозирования могут служить специальные искус- ственные сети [29, 36, 104, 109] реализующие идеи предсказания и классификации при наличии обучающих последовательностей, при- чем, как весьма перспективные, следует отметить радиально- базисные структуры, отличающиеся высокой скоростью обучения и универсальными аппроксимирующими возможностями [114]. В его основе нейроинтеллекта лежит нейронная организация ис- кусственных систем, которая имеет биологические предпосылки. Способность биологических систем к обучению, самоорганизации и адаптации обладает большим преимуществом по сравнению с со- временными вычислительными системами. Первые шаги в области искусственных нейронных сетей сделали в 1943 г. В.Мак-Калох и В.Питс. Они показали, что при помощи пороговых нейронных эле- ментов можно реализовать исчисление любых логических функций [36]. В 1949 г. Хебб предложил правило обучения, которое стало математической основой для обучения ряда нейронных сетей [29]. В 1957-1962 гг. Ф. Розенблатт предложил и исследовал модель ней- ронной сети, которую он назвал персептроном [104]. В 1959 г. В. Видроу и М. Хофф предложили процедуру обучения для линейного адаптивного элемента – ADALINE. Процедура обучения получила название "дельта правило" [36]. В 1969 г. М. Минский и С. Пайперт опубликовали монографию "Персептроны", в которой был дан ма- тематический анализ персептрона, и показаны ограничения, прису- щие ему. В 80-е годы значительно расширяются исследования в об- ласти нейронных сетей. Д. Хопфилд в 1982 г. дал анализ устойчиво- сти нейронных сетей с обратными связями и предложил использо- вать их для решений задач оптимизации. Т.Кохонен разработал и исследовал самоорганизующиеся нейронные сети. Ряд авторов предложил алгоритм обратного распространение ошибки, который стал мощным средством для обучения многослойных нейронных сетей [29, 36, 104]. В настоящее время разработано большое число нейросистем, применяемых в различных областях: прогнозирова- нии, управлении, диагностике в медицине и технике, распознавании образов и т.д [1, 4, 28, 47, 51, 52]. Нейронная сеть – совокупность нейронных элементов и связей между ними. Основной элемент нейронной сети - это формальный нейрон, осуществляющий операцию нелинейного преобразования суммы произведений входных сигналов на весовые коэффициенты |
|
|
