Статья
  • формат pdf
  • размер 4,89 МБ
  • добавлен 28 сентября 2010 г.
Бендерская Е.Н. Никитин К.В. Рекуррентные нейронные сети в задачах распознавания образов
Материалы конференции Интеллектуальные системы и компьютерные науки. - МГУ: 2006. - С. 60-69.
Выполнен обзор и проведена классификация основных моделей рекуррентных нейронных сетей, используемых для решения задач распознавания образов. Для исследования выбрана модель машины неустойчивых состояний как наиболее перспективная. Произведен анализ системы распознавания, построенной на основе машины неустойчивых состояний. Рассмотрены составляющие модели и их особенности. Приведены результаты имитационного моделирования работы машины неустойчивых состояний, решающей задачу распознавания случайных образов, представленных в виде пуассоновских потоков.
Ключевые слова: рекуррентные нейронные сети, распознавание образов, машина неустойчивых состояний, импульсные нейронные сети
Жидкий компьютер
Альтернатива машине Тьюринга – Liquid State Machine или машина неустойчивых состояний. Вычисляющая часть машины ведет себя как жидкость, не имея фиксированных дискретных состояний, и обрабатывает непрерывный сигнал в реальном времени. Ей не нужно ждать окончания вычисления, чтобы начать новое. Каждая порция входных данных вызывает определенное возмущение «жидкости», уникальным образом изменяя тот или иной ее параметр. За счет сложности внутренней динамики LSM ее состояние в любой данный момент времени может содержать важную информацию обо всех прошлых входных сигналах. Одновременно могут обрабатываться входные потоки разных модальностей, вычисления не мешают друг другу.
На выходе LSM выдает также непрерывный сигнал. Тем самым она приближается по особенностям функционирования к биологическим системам. По мнению авторов, машина неустойчивых состояний эффективна для описания работы мозга. В этом смысле сложно организованная нейронная сеть приобретает некоторые [вычислительные] свойства и поведение жидкости.