цифровая электроника
вычислительная техника
встраиваемые системы

 
» » Нейрокомпьютеры. Области применения адаптивных логических элементов

Нейрокомпьютеры. Области применения адаптивных логических элементов

Автор: Mike(admin) от 9-01-2019, 02:35

Если компьютер построен на нейронах, то детали его структуры будут определяться разработчиком во время обучения, а не во время проектирования. Такая концепция построения вычислительных систем будет играть большую роль по мере увеличения размеров системы и ее сложности. Требования современной технологии таковы, что постоянно требуются все более сложные системы, и прогресс в микроэлектронике делает такие системы физически реализуемыми и экономически возможными.


Нейрокомпьютеры. Области применения адаптивных логических элементов

Проблема надежности систем становится острой с увеличением их размеров и сложности. Была предложена схема для повышения надежности цифровых систем, используя избыточность. Надежность систем может быть повышена путем комбинации обучения и избыточности. Рассмотрим систему, состоящую из трех машин, решающих одну и ту же задачу с одинаковыми входными данными.


Пусть выход каждой машины является бинарным, принимающим значения +1 или -1. Если все машины идеально надежны, то их выходные значения всегда совпадают. Если нет, то необходимо следовать правилу большинства. Нейрон с нулевым порогом и другими весами, равными +1, получает приоритетный выход. Все машины имеют равные права голоса. Неравный голос возможен при обучении, автоматической настройке весов для оптимизации работы системы. Специальный собиратель голосов, идентичный нейрону, также обучается на периодической последовательности образов при известных желаемых выходах. В идеале, этот собиратель голосов дает правильное значение на выходе, если только одна машина дала правильное значение, присваивая ей высокий голос и настраивая голоса ненадежных машин.


Автоматический решающий компьютер должен иметь память, откуда информация должна выбираться не по адресу, а согласно ее классификации. Использование записанных игр или «механическое обучение» было бы более эффективным, если бы было возможным выделять из памяти предыдущие ситуации, необязательно в точности идентичные текущей ситуации. Для достижения некоторого уровня компетенции необходим опыт и сохранение предыдущих ситуаций. Степень точности классификации перед сохранением может быть небольшой, и следует установить подходящую схему размещения битов входного образа перед сохранением. Конечная классификация может производиться внутри самой памяти; каждый элемент памяти - содержать адалин или сеть адалинов.


Запрос от «центрального пункта управления» на конкретный тип информации посылается на каждый элемент памяти одновременно. Только элементы, которые классифицируют правильно, отвечают на данный запрос и посылают содержащуюся в них информацию обратно в «пункт управления».


Возможны более сложные процедуры обучения при наличии такой параллельной ассоциативной памяти. Простота устройства и функционирования адалина и прогресс в микроэлектронике делают возможным появление подобных систем памяти в недалеком будущем.


Вообще, логические элементы являются основой цифровой схемотехники. А для того, чтобы эффективнее работать со схемотехникой, нужно правильно отображать ее. В этом может помочь, например, Autocad. Но для работы в нем нужно обладать необходимыми знаниями, а их можно получить на курсах, таких как https://www.pointcad.ru/obuchenie/autodesk-autocad, где по окончании выдают сертификат.




© digitrode.ru


Теги: нейронная сеть, искусственный интеллект



   Благодарим Вас за интерес к информационному проекту digitrode.ru.
   Если Вы хотите, чтобы интересные и полезные материалы выходили чаще, и было меньше рекламы,
   Вы можее поддержать наш проект, пожертвовав любую сумму на его развитие.


Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.

Комментарии:

Оставить комментарий