Запропоновано простий та ефективний нейромережний алгоритм перцепційного типу, що дозволяє надійно ідентифікувати сильно спотворений вхідний вектор і на підставі цього видавати відповідний керуючий сигнал. Показано, що векторна нейромережа володіє великим обсягом пам'яті та здібністю до розпізнавання навіть за наявності виключно великих шумів у вхідному каналі. Надійність і швидкість роботи ідентифікуючого перцептрона на декілька порядків вище, ніж у повнозв'язних нейронних мереж, що виконують аналогічну задачу. За швидкістю роботи алгоритм перевершує стековий алгоритм швидкого пошуку, модифікований для роботи за наявністю шумів у вхідному каналі.

Для задач оптимизации предложен новый (доменный) алгоритм перехода нейросетевой системы типа модели Хопфилда в стабильное состояние. В рассматриваемой нейронной модели отдельные спины-нейроны объединены в более крупные агрегаты - домены. Соответствующим образом модифицировано решающее правило - запрещен переворот отдельно взятого спина в домене, допускаются только перевороты всего домена в целом (т.е. одновременный переворот всех образующих домен спинов), переворот домена определяется только знаком энергии его взаимодействия с остальной системой, энергия взаимодействия спинов внутри домена не играет роли. Объем памяти такой нейросети линейно возрастает с ростом размеров доменов (числом входящих в него спинов). Показано, что в задачах оптимизации доменная динамика позволяет находить более глубокие минимумы, чем спиновая динамика модели Хопфилда. Обсуждено применение предлагаемого алгоритма для оптимизации многоагентной системы.

Індекс рубрикатора НБУВ: З810.22

Рубрики:

Нейронні мережі

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

На основе анализа обобщенной модели Хопфилда получены выражения, устанавливающие связь между глубиной локального минимума и шириной области притяжения, которую можно выразить в виде "глубже минимум - шире область притяжения - больше вероятность обнаружения в процессе случайного поиска". На основании этого вероятность нахождения локального минимума при случайной инициализации нейронной сети удалось представить как функцию глубины этого минимума. В практических оптимизационных приложениях наличие таких выражений позволит по ряду уже найденных минимумов оценить вероятность нахождения более глубокого минимума и принять решение на остановку программы поиска или ее продолжение. Развитая теория находится в хорошем согласии с результатами эксперимента.

Індекс рубрикатора НБУВ: З973-045

Рубрики:

Комп'ютери та програмування

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Исследованы характеристики векторных нейронных сетей с бинарной матрицей связей. Даны теоретические оценки нейросетевой памяти и помехоустойчивости на примерах модели Хопфилда и параметрической нейросети. Показано, что объем памяти и помехоустойчивость у сетей с такой матрицей связей незначительно уступает аналогичным характеристикам моделей с обычной матрицей Хебба, но при этом позволяет существенно уменьшить затраты компьютерной памяти. Компьютерные эксперименты подтверждают наши оценки.

Індекс рубрикатора НБУВ: З810.22

Рубрики:

Нейронні мережі

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З810.22 + З973.5-045

Рубрики:

Нейронні мережі

Асоціативні комп'ютери

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З973-045

Рубрики:

Комп'ютери та програмування

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Решена задача минимизации квадратичного функционала в конфигурационном пространстве. Для эффективного увеличения области притяжения глубоких минимумов предложено матрицу, на которой построен функционал, возводить в степень, и на полученном новом функционале решать задачу минимизации. Показано на примере матриц двумерной спинстекольной модели Изинга, что такая техника приводит к сдвигу спектра минимумов в более глубокую область, резко сокращает число находимых мелких минимумов и позволяет с большей, на 3 - 4 порядка, вероятностью находить глобальный минимум.