Нейрокомпьютеры

В целом формально-логическая модель нейрона далека по своим
возможностям от ее естественного прототипа и не отражает всех его свойств,
в частности не учитывает процессов, протекающих на мембране нейрона. Данное
обстоятельство служит основанием для перехода к более совершенным
нейроподобным элементам динамического типа.

5.Динамические нейроны

Наиболее важным отличием нейроподобных элементов динамического типа –
динамических нейронов (ДН) от формальных нейронов является не столько учет
в них временной суммации (P’(t)(0), сколько переход принципа «все или
ничего», характерного для отдельных спайков, к градуальному способу
кодирования информации. В соответствии с градуальным кодированием
полагается, что выходной величиной нейрона служит интенсивность выходных
спайков, которая, в свою очередь, зависит от количества и интенсивности
входных сигналов, а также от величины порога нервной клетки. То
обстоятельство, что в качестве входных и выходных величин при этом
используются непрерывные зависимости, позволяет представить информационные
процессы в нервной клетке в дифференциальной форме, т. е. в виде модели
(10) или (12).

Блок-схема динамического нейрона, работающего в соответствии с
алгоритмом (12), приведена на рисунке 3. Наряду с пространственным
сумматором ПС1, формирующим сумму V(t) произведений (jxj(t), и
пространственным сумматором ПС2, вычисляющим производную y’(t), в схеме ДН
предусмотрен интегрирующий блок И для определения функции y(t), а также
выходной блок ВБ, формирующий выходную зависимость Z(t).

В тех случаях, когда (((и k = 1, сумматоры ПС1 и ПС2 можно объединить
и представить схему на рисунке 3 в более простом виде, а именно так, как
это показано на рисунке 4. Если теперь реализовать схему 4 на
сопротивлениях, диодах и емкостях, то получим простейшую аналоговую модель
динамического нейрона.

Рис. 2. Формальный нейрон.

Рис. 3. Динамический нейрон, работающий в соответствии с алгоритмом 12

Рис.4. Динамический нейрон, упрощенный вариант.

Рассмотренные схемы могут строиться как на дискретных, так и на
интегральных элементах, а также в виде больших интегральных схем,
содержащих десятки и сотни ДН на кристалле. Эти схемы довольно просты и
компактны, но характеризуются неконтролируемым изменением параметров в
функции от температуры и других внешних факторов. Данное обстоятельство
затрудняет их использование в нейроподобных сетях больших размерностей.
Более того, такие элементы не позволяют создавать практически приемлемые
схемы с переменными во времени синаптическими весами и переменным порогом,
т. к. Управляемое изменение электрических сопротивлений связано с
определенными техническими трудностями. Все это стимулирует разработку и
создание цифровых схем динамических нейронов, свободных от указанных
недостатков.

6.Цифровые модели нейронов

Одно из важных направлений в области построения цифровых нейроподобных
элементов связано с программированием универсальных ЭВМ, микроЭВМ,
персональных ЭВМ для реализации на них алгоритмов как отдельных нейронов,
так и их совокупностей, воспроизводящих информационные процессы в нейронных
ансамблях и нейронных сетях. Особых проблем при программировании систем
уравнений, основанных на алгоритмах типа (12), как правило, не возникает.

Однако имитация сугубо параллельных нейрофизиологических процессов на
последовательных ЭВМ связана с большими временными затратами, что не всегда
приемлемо с практической точки зрения. Поэтому применение ЭВМ классической
архитектуры для реализации сетей динамических нейронов весьма ограничено,
особенно в тех случаях, когда цифровая модель должна работать в реальном
масштабе времени, например при организации биоуправляемых экспериментов по
замене части нервной ткани ее имитационной моделью. Другая трудность
использования ЭВМ для моделирования нейронов и нейронных сетей состоит в
том, что любое изменение связей в моделируемой сети ведет к необходимости
составления новых программ.

Все это вынуждает искать способы построения таких цифровых устройств,
которые, с одной стороны, программно и аппаратно ориентированы на
воспроизведение алгоритма обработки информации в отдельной нервной клетке,
а с другой – пригодны для организации на их основе параллельных
перестраиваемых нейроподобных ансамблей и структур. Подобные устройства
могут строиться на базе современных однокристальных и секционированных
микропроцессоров (МП). Получающиеся при этом структуры цифровых нейронов
(ЦН) приобретают стандартный вид и могут быть представлены в виде схемы,
показанной на рисунке 5.

Рис. 5. Структура цифрового нейрона.

Данная структура состоит из микропроцессорного устройства МПУ и
подключенных к нему N портов ввода Пввj (j = 1, N) и одного порта вывода
Пв. Она соответствует тому случаю, когда параметры (j ,(, k нейроподобной
модели являются постоянными. Предполагается также и то, что программа
алгоритма (12) хранится в постоянном запоминающем устройстве ПЗУ, а
параметры, которые не меняются в процессе работы конкретной модели
цифрового нейрона, но могут быть различными у разных ЦН, хранятся в
оперативной памяти МПУ.

Входные величины xj(ti) в дискретные моменты времени ti = ti-1+(ti (i
= 1, 2, ...) записываются в соответствующие порты ввода Пввj
рассматриваемого ЦН. Поступают они с портов вывода других ЦН или из внешних
сенсорных устройств в цифровой форме и хранятся в Пввj в течение времени
форме (ti выполнения алгоритма (12). После завершения работы алгоритма (12)
в порт вывода записывается значение функции Z(tj+1), которое в момент
времени ti+1 по жестким или перестраиваемым каналам связи передается в
порты ввода других цифровых нейронов.

Рассмотренная схема цифрового нейрона является довольно простой и ее
проектирование сводится по существу к программированию МП на языке
ассемблера. Однако техническая реализация нейроподобных сетей, состоящих из
таких ЦН, связана с определенными трудностями.

Во-первых, информация между различными ЦН передается в параллельных
кодах, что, в свою очередь, усложняет каналы передачи, особенно в тех
случаях, когда связи между нейронами необходимо оперативно менять при
помощи устройств электронной коммутации. Упрощение коммутирующих устройств
за счет организации передачи информации между ЦН в последовательных кодах
ведет к существенной потере производительности как отдельных нейроподобных
элементов, так и нейроподобной сети в целом.

Во-вторых, время работы отдельных ЦН существенно зависит от
количества синаптических весов. Если у различных ЦН число N различное, то и
время их работы будет различным. Следовательно, ЦН с минимальным числом
входов будет использоваться неэффективно.

И в-третьих, существенные трудности возникают в том случае, когда
синаптические веса модели нейронов являются переменными во времени. Для
формирования текущих значений (j(ti ) необходимо включить N дополнительных
портов ввода, в которые следует записывать не сами синаптические веса, а их
приращения.

Отмеченные обстоятельства являются серьезным обстоятельством не пути
создания удобных в эксплуатации цифровых нейроподобных элементов на базе
микропроцессоров и микроЭВМ универсального типа. По этой причине возникает
необходимость в разработке ЦН на основе специализированных устройств,
ориентированных на воспроизведение алгоритма (12).

Одним из перспективных подходов при этом может служить использование
для синтеза ЦН идей и методов построения цифровых моделей на базе
интегрирующих структур ЦИС. Это связано с тем, что в основе моделируемых
динамических нейрональных процессов лежат дифференциальные зависимости, а
ЦИС, в свою очередь, проблемно-ориентированны на решение систем линейных и
нелинейных дифференциальных уравнений.

Кроме того, цифровые интегрирующие структуры состоят из параллельно
функционирующих решающих блоков, информация между которыми передается в
виде последовательностей дискретных сигналов, имеющих смысл приращения
выходных зависимостей. Отдельные решающие блоки реализуют операции
суммирования, численного интегрирования, экстраполяции выходных приращений
и, как правило, снабжены к

1 2 3 4 5 След.

скачать работу

Отправка СМС бесплатно