Нейрокомпьютеры: история возникновения и перспективы развития.

01.07.2019

Введение

Актуальность исследования: Нейроиформатика - область научных исследований, лежащая на пересечении нейронаук и информатики. Уже многие из созданных приложений нейроинформатики способствуют упрощению современной жизни, и используются во многих сферах человеческой жизни, от производства и до криминалистики. Так же высоко оцениваются достижения последнего десятилетия в области теории нейронных сетей, моделирования мозга, приложений нейротехнологии, разработки нейрокомпьютеров, а также оценивались перспективы развития нейрокомпьютинга.

Объект исследования: Нейроинформатика.

Предмет исследования: Искусственные нейронные сети, математические модели нейронов как единица искусственной нейронной сети, нейрокомпьютеры.

Цель исследования: Выявить основные положения нейроинформатики как науки. Улучшить личные знания в данном разделе информатики.

Задачи исследования:

Ознакомится с теоретическим курсом нейроинформатики.

Выявить основные положения, проблемы науки.

Установить достоинство и недостатки методов достижения основных целей нейроинформатики.

Нейрокомпьютеры

Нейрокомпьютеры, и их применение в современном обществе

Нейронные сети, нейрокомпьютеры, ЭВМ, подобные мозгу. Все чаще информация о них мелькает на страницах печати. Это - не фантастика. Уже существуют работающие нейрокомпьютеры и складывается свой рынок этого нового класса перспективных средств вычислительной техники. Фирма Локхид предполагает использование нейрокомпьютеров для управления адаптивной фокусирующей системой управления мощным лазерным оружием при ведении «звездных войн». Ярким примером реализации нейрокомпьютеров в управлении роботами является разработка системы управления механической рукой для космического корабля «Шаттл». Во многих аэропортах США при досмотре багажа для выявления наркотиков, взрывчатых веществ, ядерных и других материалов используются все те же нейрокомпьютеры. 60% кредитных карточек в США проходят контроль с применением нейрокомпьютерной технологии. Нейроконтроллеры при решении задачи управления уровнем температуры жидкости в замкнутом объеме почти вдвое быстрее реагируют на изменение температуры по сравнению с традиционными PI (РID) регуляторами. Эффективность использования нейрокомпьютеров для обработки радио и гидролокационной информации, причем как на уровне первичной, так и на уровне вторичной обработки, уже не новость. Прогнозирование экономических и финансовых показателей, предсказание возможных осложнений у больных в послеоперационный период, диагностика автомобильных и авиационных двигателей, управление атомными электростанциями и даже стиральными машинами, обработка изображений, формируемых электронным сканирующим микроскопом или телекамерой в охранных системах наблюдения и многое. Многое другое - это все те области, где нейрокомпьютеры различного уровня реализации, от специализированных аппаратных средств, до простых нейросетевых пакетов программ для традиционных персональных компьютеров, с каждым годом находят все более широкое применение.

Огромный интерес к нейрокомпьютерам держится во всем мире без малого уже десять лет. Выкладываются миллиарды долларов, открываются десятки факультетов и кафедр, сотни лабораторий. Число фирм - разработчиков и производителей нейрокомпьютеров - стало уже более сотни.

Нейронные сети и нейрокомпьютеры в настоящее время быстро становятся одной из тех технологий, на которые делают свои ставки ведущие компании мира как на средство конкурентоспособности в XXI веке. Нейрокомпьютеры - это новый захватывающий мир, мир новых возможностей и профессий. США и Япония, Германия и Финляндия, Франция и ряд других стран развернули государственные проекты по исследованиям, разработкам и прикладному использованию нейрокомпьютеров как в гражданской, так и в военной сферах. Что же касается России, то здесь мы всегда были и остаемся ведущими в мире в области теории нейронных сетей. Не отстаем и в создании прикладных нейросетевых алгоритмов. С разработками же конкурентоспособной промышленной нейрокомпьютерной техники в текущих условиях тяжелейшего экономического состояния страны дела обстоят, честно сказать, не столь хорошо. Но тем не менее готовятся в ВУЗах страны, молодые специалисты, знакомые с нейрокомпьютерной тематикой. Продолжаются проводиться научно - исследовательские работы в Научном центре нейрокомпьютеров Минэкономики РФ (г. Москва) и ряде других организаций страны.

Конечно для многих людей нейронные сети и нейрокомпьютеры представляются чем то экзотическим и интригующим. Но, прежде всего, пусть никого не вводит в заблуждение употребление слова «нейро». Искусственная нейронная сеть или, как еще говорят, модель нейронной сети похожа на мозг человека не более чем теннисный шарик на планету Марс.

С математической точки зрения нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных, параллельно работающих процессорных элементов - моделей нейронов. Однако структурно, функционально и алгоритмически модель нейронной сети при обработке информации и выполнении вычислительного процесса в некотором смысле действительно имитирует отдельные свойства естественных нейронных сетей. Ну а для реализации искусственных нейронных сетей как раз и используют нейрокомпьютеры, т.е. вычислительные устройства, которые максимально ориентированы по своей структуре и функциям на эффективное моделирование нейронных сетей и реализацию нейронных алгоритмов решения различных прикладных задач. В целом научное направление, включающее в себя теорию нейронных сетей, разработку нейронных алгоритмов решения прикладных задач и непосредственно создание нейрокомпьютеров на различной элементной базе - цифровой, аналоговой, оптической и др., получило общее название «нейрокомпьютинг».

Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала. Предельным выражением этой точки зрения может служить лозунг: «структура связей - все, свойства элементов - ничто».

Совокупность идей и научно-техническое направление, определяемое описанным представлением о мозге, называется коннекционизмом (по-английски connection - связь). Как все это соотносится с реальным мозгом? Так же, как карикатура или шарж со своим прототипом-человеком _ весьма условно. Это нормально: важно не буквальное соответствие живому прототипу, а продуктивность технической идеи.

С коннекционизмом тесно связан следующий блок идей:

1) однородность системы (элементы одинаковы и чрезвычайно просты, все определяется структурой связей);

2) надежные системы из ненадежных элементов и «аналоговый ренессанс» - использование простых аналоговых элементов;

3) «голографические» системы - при разрушении случайно выбранной части система сохраняет свои полезные свойства.

Предполагается, что система связей достаточно богата по своим возможностям и достаточно избыточна, чтобы скомпенсировать бедность выбора элементов, их ненадежность, возможные разрушения части связей.

Коннекционизм и связанные с ним идеи однородности, избыточности и голографичности еще ничего не говорят нам о том, как же такую систему научить решать реальные задачи. Хотелось бы, чтобы это обучение обходилось не слишком дорого.

На первый взгляд кажется, что коннекционистские системы не допускают прямого программирования, то есть формирования связей по явным правилам. Это, однако, не совсем так. Существует большой класс задач: нейронные системы ассоциативной памяти, статистической обработки, фильтрации и др., для которых связи формируются по явным формулам. Но еще больше (по объему существующих приложений) задач требует неявного процесса. По аналогии с обучением животных или человека этот процесс мы также называем обучением.

Обучение обычно строится так: существует задачник - набор примеров с заданными ответами. Эти примеры предъявляются системе. Нейроны получают по входным связям сигналы - «условия примера», преобразуют их, несколько раз обмениваются преобразованными сигналами и, наконец, выдают ответ - также набор сигналов. Отклонение от правильного ответа штрафуется. Обучение состоит в минимизации штрафа как (неявной) функции связей. Примерно четверть нашей книги состоит в описании техники такой оптимизации и возникающих при этом дополнительных задач.

Неявное обучение приводит к тому, что структура связей становится «непонятной» - не существует иного способа ее прочитать, кроме как запустить функционирование сети. Становится сложно ответить на вопрос: «Как нейронная сеть получает результат?» - то есть построить понятную человеку логическую конструкцию, воспроизводящую действия сети.

Это явление можно назвать «логической непрозрачностью» нейронных сетей, обученных по неявным правилам. В работе с логически непрозрачными нейронными сетями иногда оказываются полезными представления, разработанные в психологии и педагогике, и обращение с обучаемой сетью как с дрессируемой зверушкой или с обучаемым младенцем - это еще один источник идей. Возможно, со временем возникнет такая область деятельности - «нейропедагогика» - обучение искусственных нейронных сетей.

С другой стороны, при использовании нейронных сетей в экспертных системах на PC возникает потребность прочитать и логически проинтерпретировать навыки, выработанные сетью. Для этого существуют методы контрастирования - получения неявными методами логически прозрачных нейронных сетей. Однако за логическую прозрачность приходится платить снижением избыточности, так как при контрастировании удаляются все связи кроме самых важных, без которых задача не может быть решена.

Итак, очевидно наличие двух источников идеологии нейроинформатики. Это представления о строении мозга и о процессах обучения. Существуют группы исследователей и научные школы, для которых эти источники идей имеют символическое, а иногда даже мистическое или тотемическое значение.

В работе доказана теорема, утверждающая, что с помощью линейных комбинаций и суперпозиций линейных функций и одной произвольной нелинейной функции одного аргумента можно сколь угодно точно приблизить любую непрерывную функцию многих переменных.

Из этой теоремы следует, что Нейронные сети - универсальные аппроксимирующие устройства и могут с любой точностью имитировать любой непрерывный автомат.

Главный вопрос: что могут нейронные сети. Ответ получен: нейронные сети могут все. Остается открытым другой вопрос: как их этому научить?

Создание и использование нейрокомпьютеров является целесообразным по двум причинам. Во-первых, их архитектура ориентирована на параллельные вычисления и позволяет выполнять их без тех осложнений, с которыми связано выполнение этих вычислений на традиционных ЭВМ, ориентированных на последовательную обработку данных. Во-вторых, нейрокомпьютеры не работают по жесткому алгоритму, не перепрограммируются под разные задачи, а каждый раз обучаются решению новой проблемы. Конечно, необходимость обучения нельзя считать только достоинством. Отрицательными его сторонами являются как необходимость организации специальных наборов данных для обучения - обучающих выборок, так и затраты времени на их создание. Более того, использование нейрокомпьютеров для решения задач, требующих высокой точности, может оказаться нецелесообразным. Однако при решении задач, для которых не существует алгоритма или решение по алгоритму занимает слишком много времени, нейрокомпьютеры оказываются предпочтительнее традиционных. Здесь сразу возникает их значительное преимущество. Поэтому и возник с конца 80 - х годов этот нейрокомпьютерный бум, который не затихает по настоящее время.

Первый нейрокомпьютер был создан в конце 50-х годов Ф. Розенблаттом (Корнельский университет г. Итаки, штат Нью‑Йорк). Этот компьютер, получивший название персептрон, использовался для распознавания букв независимо от их положения. ЭВМ Розенблатта была воплощением идеи У. МакКаллока и У. Питтса, у которых нейроны рассматривались как логические устройства.

В 1988 г. с участием фирмы Adaptive Solutions был разработан нейронный компьютер CNAPS . Этот компьютер был создан по SIMD-архитектуре, его сервер содержал 256 обрабатывающих процессоров. Каждый процессор имел свое ЗУ емкостью 4 Кбайт. Производительность компьютера CNAPS достигала 5,12 млрд. коммутаций в секунду. В режиме обучения сервер работал с производительностью 1 млрд. коммутаций в секунду. Каждый алгоритм усваивался компьютером CNAPS за 6 секунд. До конца 1991 г. фирмой было поставлено на рынок около 100 единиц нейрокомпьютера CNAPS.

Компания SNI(Siemens Nixdorf Informations), дочернее предприятие компании Siemens, в сотрудничестве с Маннгеймским университетом в 1994 г. создали нейрокомпьютер под названием SYNAPSE 1 . В дальнейшем на рынок поступили модели SYNAPSE 2 и3 . Сфера применения этих нейрокомпьютеров: распознавание речи, изображений, образов, ускорение работы программных эмуляторов. Обучение нейрокомпьютера занимало около одного часа. Нейрокомпьютер представлял собой многопроцессорную систему с наращиваемой памятью.

В состав SYNAPSE 2 входили:

· один нейрочип МА16 (40 Гц);

· сигнальный процессор TMS320С50 (55 МГц);

· модуль целочисленной обработки на базе TMS320С50 (55 МГц);

· память образов (Y-memore);

· память весов (W-memore).

В нейропроцессоре SYNAPSE 3 имелось два процессора М16, типовая производительность одной нейроплаты SYNAPSE 3 составляла 2,4 млрд.оп/с. В качестве базовых ЭВМ использовались рабочие станции фирмы Sun. Габаритные размеры нейрокомпьютера составляли 667х398х680 мм.

На современном рынке изделия, основанные на использовании механизма действия нейронных сетей, представлены в виде нейроплат. В качестве типичного примера нейроплаты можно назвать плату MB S6232 японской фирмы Fujitsu. На плате размещены процессор цифровой обработки сигналов и оперативная память емкостью 4 Мбайт, что позволяет использовать такую плату для реализации ИНС, содержащей до тысячи нейронов.

Большинство современных нейрокомпьютеров представляют собой просто персональный компьютер или рабочую станцию, в состав которых входит дополнительная нейроплата. К их числу относятся, например, компьютеры серии FMR фирмы Fujitsu. Возможностей подобных систем достаточно для разработки новых алгоритмов и решения большого числа прикладных задач методами нейроматематики.

Отметим отечественные достижения в области построения нейрокомпьютеров. В НТЦ «Модуль» за период с 1989 по 1999 г.г. были разработаны многопроцессорные ускорительные платы МЦ5.001 и МЦ5.002 . Последняя содержит до 6 процессоров TMS320C40, до 20 Мбайт статической памяти на каждый процессор и 64 Мбайт динамической ОП. Общая производительность - до 300 MFLOPS. Плата выполнена в конструктиве VME, что позволяет использовать ее в бортовых системах, расположенных на летательном аппарате.

Несмотря на определенные достижения в области создания нейрокомпьютеров, широкого распространения они не получили. На сегодняшний день экономически выгоднее реализовывать нейроалгоритмы программно на универсальных ЭВМ. Существует достаточное количество программных пакетов (например, Neural Bench ), с помощью которых можно реализовать ИНС под тот или иной алгоритм. Программные ИНС широко используются в системах распознавания текстов (OCR-системах).

Вопросы для самоконтроля

1. Что понимается под термином «нанотехнология»?

2. При каких размерах объектов не действуют законы классической физики?

3. Кем и когда был изобретен сканирующий туннельный микроскоп?

4. Что такое «нанотрубка»?

5. Сколько и какие периоды можно выделить в развитии биокристаллов?

6. Перечислите основные структурные элементы молекулярного компьютера.

7. Что понимается под термином «оптический компьютер»?

8. Перечислите основные элементы гибридной ВС.

9. Что понимается под аббревиатурами: SEED и S-SEED?

10. По каким направлениям в настоящее время ведутся работы по созданию оптической ЭВМ?

11. Что такое квантовый компьютер?

12. Что понимается под термином «кубит»?

13. Изобразите структурную схему квантового компьютера.

14. Перечислите основные требования, предъявляемые к физической среде КК.

15. Что такое криогенная ЭВМ?

16. Что собой представляет нейронная сеть человека?

17. Какие структуры искусственных нейронных сетей используют в настоящее время?

18. Что такое «функция активации»?

19. Как может обучаться нейросеть?

20. Перечислите основные модели нейросетей.

21. Какие основные достижения и перспективы развития нейрокопьютеров?

Литература

1. ANSIx3.253-2002: Information Technology-SCSI-3 Parallel Interface (SPI), X3T10/855D. New York: American National Standarts Institute, 2002.

2. Deutsch D. Quantum computational networks. – Proc. R. Soc. London A 425, 73, 1989.

3. Deutsch D. Quantum theory, the Church-Turing principle and the universal quantum computer. – Proc. R. Soc. London A 400, 97, 1985.

4. Feynman R. Quantum mechanical computers / Optic News, February 1985, 11, p. 11.

5. Hennessy J.L., Patterson D.A. Computer architecture: A Quantitative Approach. 2 nd Edition. Morgan Kaufmann Publishers, San Francisco, CA, USA, 1996.

6. Serial attached SCSI // http://www.fcenter.ru/online.shtml?articles/hardware/hdd/11080

7. Shor P.W. Algorithms for Quamtum Computation: Disrete log and Factoring // Proceedings of the 35 th Annual Symposium on the Foundations of Computer Science, edited by S. Goldwasser, IEEE Computer Society Press, Los Alamitos, CA, 1994, p. 124.

8. Sterling T., Becker D., Savarese D., et al. Beowulf: A Parallel Workstation for Scientific Computation. Proceeding of the 1995 International Conference on Parallel Processing (ICPP). August 1995. Vol. 1. P. 11.

9. Yao A. C.-C. Quantum circuit complexity.//Proceedings of the 34 th Annual Symhosium on the Foundations of Computer Science, IEEE Computer Society Press, Los Alamitos, CA, 1993, p. 352.

10. Акулов Л.В., Борзенко Е.И., Новотельнов В.Н. и др. Теплофизические свойства криопродуктов: учебное пособие для вузов. СПб.: Политехника, 2001. – 243 с.

11. Амамия М., Танака Ю. Архитектура ЭВМ и искусственный интеллект. Пер. с яп. Махарадзе С.О. под ред. Волкова Н.Г. М.: Мир, - 1993. – 400 с.

12. Андрианов А.Н., Ефимкин К.Н., Задыхайло И.Б. Язык Норма. Препринт ИПМ им. М.В. Келдыша АН СССР № 165, 1985.

13. Архитектура портативных компьютеров // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2004, № 3(18). с.4.

14. Барановский В. Raid массивы начального уровня // http://www.citforum.ru/hardware/data/raid/

15. Барский А.Б. Параллельные процессы в вычислительных системах. Планирование и организация. М.: Радио и связь, - 1990. - 255 с.

16. Берман Г.П., Дулен Г.Д., Маньери Р., Цифринович В.И. Введение в квантовые компьютеры. Пер. с англ. Порсева В.Е. под ред. Кокина А.А. М.: Институт компьютерных исследований. 2004.

17. Борзенко А. Технология Super DLT // PCWeek/RE, 2000 г., № 45 (267), с. 26.

18. Бурцев В.С. Новые принципы организации вычислительных процессов высокого параллелизма // Труды Первой Всероссийской научной конференции «Методы и средства обработки информации». М.: МГУ им. М.В.Ломоносова, - 2003 г. С. 17.

19. В свете лазерного луча // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.27.

20. Валиев К.А. Квантовая информатика: компьютеры, связь и криптография // Вестник РАН, 2000, т.70, № 8. сс. 688-705.

21. Валиев К.А. Квантовые компьютеры // Открытые системы, № 5-6, 2000 г. http://www.osp.ru/text/302/178025

22. Валиев К.А., Кокин А.А. Из итогов ХХ века: От кванта к квантовым компьютерам.// Природа, 2002, № 12. сс. 28-34.

23. Васильковский В.А., Котов В.Е., Марчук А.Г., Миренков Н.Н. Автоматизация параллельного программирования. – М.: Радио и связь, - 1983. – 230 с.

24. Вводим изображение // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.59.

25. Виксне П., Фомин Д., Черников В. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов. Изд-во вузов. Сер. Приборостроение. Т. 36, №7. – 1996, с. 13-21.

26. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы управления. 1999. №2. с. 6165.

27. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. №1. с. 40-44.

28. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002 г. 600 с.

29. Воеводин Вл.В. Параллельная обработка данных. Курс лекций // http://www.parallel.ru/info/education/vvv_course.html

30. Воеводин Вл.В., Капитонова А.П. Методы описания и классификации вычислительных систем. М.: Издательство МГУ, - 1994.

31. Волков А.А., Угляренко В.П. Управление распределением вычислительной нагрузки в сетях ЭВМ // Механизация и автоматизация управления. - К.: 1982, - №3, с. 16-19.

32. Вычислительные машины, системы и сети / под. Ред. Пятибратова А.П. М.: Финансы и статистика, 1991. – 399 с.

33. Гаврилкевич М.В. Введение в нейроматематику // Обозрение прикладной и промышленной математики. М.: ТВП, 1994, сс. 377-388.

34. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. №1. сс. 68-82.

35. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН. 1996. 276 с.

36. Графические адаптеры: четвертое поколение // Upgrade: новый уровень ваших компьютеров. М: СК Пресс,- 2005, № 2(21). с.70.

37. Гузик В.Ф., Каляев В.А., Костюк А.И. Организация ЭВМ и систем. Учебное пособие. Таганрог: ТРТУ. – 1999. 144 с.

38. Гук М. Аппаратные средства IBM PC. Энциклопедия. Спб.: Питер. 2006 г. 1072 с.

39. Гуров В.В., Чуканов В.О. Архитектура и организация ЭВМ. Курс лекций // http://www.intuit.ru/department/hardware/archhard2

40. Гусев А.И. Наноматериалы, наноструктуры, нанотехнологии. М.: Изд-во «Физматлит», 2005. 416 с.

41. Дагаев А.А. Союз сильных: новые тенденции международного технологического развития // Рос. Предпринимательство. 2003, №4, сс. 65-70.

42. Денисов О., Нивников Д. Мультимедийные ПК // Компьютер сегодня № 2, 2006. сс. 36-46.

43. Евреинов Э.В., Косарев Ю.Г. Однородные универсальные вычислительные системы высокой производительности. Новосибирск: Наука, - 1966.

44. Егоров А. RAID-массив и резервное копирование // http://www.timcompany.ru/article5.html

45. Забродин А.В., Левин В.К., Сидоров А.Ф., Лацис А.О. и др. Семейство многопроцессорных вычислительных систем МВС-100. М.: ИПМ им. М.В.Келдыша РАН, НИИ «Квант», ИММ УрО РАН, - 1995.

46. Исихара С. Оптические компьютеры. Новый век науки. Пер. с англ. Богдасарова С.В. под ред. Воронцова М.А. М.: Наука, 1992.

47. Каган Б.М. Электронные вычислительные машины и системы. Учебное пособие для вузов. – 2-е издание, переработанное и дополненное. М.: Энергоатомиздат, 1985 г.

48. Кирсанов Э.Ю. Организация ЭВМ и систем. Учебное пособие. – Казань: ТИСБИ, 2002.

49. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / Под ред. А.И. Галушкина. Казань: КГУ. 1995. 131 с.

50. Колисниченко Д. Оптические процессоры // http://dkws.narod.ru/linux/etc/optical/cpu.html

51. Колисниченко О.В., Шишигин И.В. Аппаратные средства PC. – 5‑е издание, переработанное и дополненное. – Спб.: БХВ-Петербург. 2004. - 1151 с.

52. Комарцева Л.Г., Максимов А.В. Нейрокомпьютеры. М.: МГТУ им. Н.Э. Баумана, 2004. 400 с.

53. Коновалов Н.А., Крюков В.А., Михайлов С.Н., Погребцов А.А. Fortran DVM - язык разработки мобильных параллельных программ // Программирование, - 1995. - №1.

54. Копейкин М.В., Спиридонов В.В., Шумова Е.О. Организация ЭВМ и систем (память ЭВМ). Учебное пособие. – Спб.: СЗТУ, 2004. 153 с.

55. Корнеев В.В. Вычислительные системы. – М: Гелиос АРВ, 2004. – 512 с.

56. Корнеев В.В. Параллельные вычислительные системы. – М: Нолидж, 1999. – 512 с.

57. Ларионов А.М., Майоров С.А., Новиков Г.И. Вычислительные комплексы, системы и сети. Ленинград: Энергоатомиздат, - 1987.

58. Лацис А.О. Как построить и использовать суперкомпьютер. М.: Бестселлер, - 2003. - 274 с.

59. Липаев В.В. Распределение ресурсов в вычислительных системах. М.: Статистика, - 1979. - 248 с.

60. Льюис Т. Мэйнфрейм умер. Да здравствует мэйнфрейм! // Открытые системы, 1999 г., № 9-10.

61. Малых Н. Интерфейс IDE // Электронная библиотека компании BiLiM Ltd, http://www.citforum.ru/hardware/

bookide/index.shtml

62. Манин Ю.И. Вычислимое и невычислимое. – М.: Советское радио, 1980.

63. Миренков Н.Н. Параллельное программирование для многомодуль- ных вычислительных систем. М.: Радио и связь, - 1989. - 320 с.

64. Миренков Н.Н. Управление памятью и процессорами в однородной вычислительной системе // Программирование, – 1976. - № 1. – с. 77‑86.

65. Михайлов В.И., Князев Г.И., Макарычев П.П.. Запоминающие устройства на оптических дисках. М.: Радио и связь, 1991, - 221 с.

66. Могилев А.В. и др. Информатика. Учебное пособие для вузов. – М.: Изд. Центр «Академия». 2000. – 816 с.

67. Неволин В.К. Зондовые технологии в электронике. М.: Изд-во «Техносфера», 2005. - 152 с.

68. Неизвестный И.Г. Квантовый компьютер и его полупроводниковая элементарная база // http://psj.nsu.ru/lector/neizvestniy

69. Никитич. А. Разработка устройства для ручного ввода символов в ЭВМ // http://neo-era.net/kb.a.xml

70. Основы вычислительных систем. Учебное пособие // http://256bit.ru/education/infor1/index.htm

71. Патий Е. Шина PCI Express: утопия или общая стандартизация? // Экспресс-электроника, 2005 г., № 1-2.

72. Поздняков Л.А., Храмцов М.Ю. Мобильная система программирования Фортран GNS для многопроцессорных систем с распределенной памятью // Вопросы атомной науки и техники. Сер. Математическое моделирование физических процессов, - 1996. - Вып.4. - с.38-42.

73. Проблемы построения и обучения нейронных сетей / Под ред. Галушкина А.И. и Шахнова В.А. М.: Машиностроение. 1999. 105 с.

74. Пул Ч., Оуэнс Ф. Нанотехнологии. Изд-во «Техносфера», 2004. 328 с.

75. Пьянзин К. Состояние рынка аппаратных средств резервного копирования и архивирования // LAN, 2000 г., № 4.

76. Радужная капель // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.4.

77. Рожденные обслуживать // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2004, № 1(16). с.4.

78. Рыбалкина М. Нанотехнологии для всех. Изд-во « Nanotechnology News Network». 2005 г. - 444 с.

79. Санько С. Квантовые вычисления: зачем это нужно? // Quanta et Qualia, №39, 2002 г. http://www.kv.by/index2002394601.htm

80. Суздалев И.П. Нанотехнология: физико-химия нанокластеров, наноструктур и наноматериалов. Изд-во «Эдиториал УРСС», 2006. – 592 с.

81. Таненбаум Э. Архитектура компьютера. 4-е издание. М.: Питер, -2002. – 698 с.

82. Таненбаум Э., ван Стеен М. Распределенные системы: принципы и парадигмы. М.: Питер, - 2003. – 876 с.

83. Технологии флэш-памяти // http://www.ixbt.com/storage/flash-tech.shtml

84. Типы современных ЖК-мониторов // Upgrade: новый уровень ваших компьютеров. М: СК Пресс,- 2004, № 2(17). с.102.

85. Тихонов В.А. Краткий очерк развития СВТ. Монография. М: в/ч 33965, - 2000. 284 с.

86. Тихонов В.А. Организация ЭВМ и систем (вводная лекция). М.: в/ч 33965. – 2005. – 72 с.

87. Тихонов В.А., Заикин В.В. Перспективные направления в развитии ЭВМ и вычислительных систем. Обзорные лекции. М.: в/ч 33965. – 184 с.

88. Тихонов В.А., Рудаков М.В. Оптические ЭВМ. Состояние и перспективы развития (обзорная лекция). М.: в/ч 33965. – 1999. – 72 с.

89. Тихонов В.А.. Молекулярные ЭВМ (обзорная лекция). М.: в/ч 33965. – 1999. – 37 с.

90. Трахтенгерц Э.А. Введение в теорию анализа и распараллеливания программ ЭВМ в процессе трансляции. – М.: Наука, - 1981. – 254 с.

91. Угрюмов Е.П. Цифровая схемотехника. – Спб.: БХВ. 2000. – 528 с.

92. Уинн Л. Рош. Библия по модернизации персонального компьютера. Минск: Мир науки, 2003. – 208 с.

93. Федичкин Л. Квантовые компьютеры.// «Наука и жизнь», № 1, 2001.

94. Федотов В. Обзор flash-памяти на технологии Intel StrataFlash. Часть 1 // http://www.ixbt.com/storage/flash-theory-p1.shtml

95. Фейнман Р. Моделирование физики на компьютерах. // Квантовый компьютер & квантовые вычисления, том 1, № 2. – Ижевск: ред. журн. регуляр. и хаотич. динам., 1999, с. 96-124.

96. Фортран 90. Международный стандарт. Пер. с англ. С.Г. Дробышевич. М.: Финансы и статистика, - 1998. - 416 с.

97. Французов Д. Оценка производительности вычислительных систем // Открытые системы, - 1996. - №6.

98. Хамахер К., Вранешич З., Заки С. Организация ЭВМ. Спб.: Питер. – 2003. 848 с.

99. Хехт-Нильсен Роберт. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. 1998. №4.

100. Хоар Ч. Взаимодействующие последовательные процессы: Пер. с англ. - М.: Мир, - 1989. – 264 с.

101. Цилькер Б.С., Орлов С.А. Организация ЭВМ и систем: учебник для вузов. – Спб: Питер, 2004. – 668 с.

102. Цифровой звук: реализация // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 1(20). с.20.

103. Цифровой звук: теория // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 1(20). с.4.

104. Чеботарев А. USB: вчера, сегодня и завтра // http://www.citforum.ru/hardware/articles/usb/

105. Чеканов Д. Реализация стандарта Serial ATA // http://www.3dnews.ru/storage/serial-ata

106. Черняк Л. Шины от ISA до PCI Express // Еженедельник «Computerworld», 2005 г., № 30.

107. Шарф С.В. Планирование прохождения задач на МВС-100 // 6-я конференция «Транспьютерные системы и их применение». Тезисы докладов. Домодедово, - 1996.

108. Щукин Д. Оптические компьютеры. // «Новые технологии». №5, 2001 г.

109. Энциклопедия flash-памяти // http://www.ak-cent.ru/?parent_id=9841

110. Ястребова Е.В. Параллельные алгоритмы и транспьютеры (учебно-методическое пособие). М.: УРСС, - 1997.- 164 с.

111. Яценков В.С.. Азбука CD и DVD: стандарты оптических дисков. Изд-во «Майор», - 2004. 176 с.

112. Ященко А. История развития IDE вплоть до ATA100 // http://www.ixbt.com/storage/ide-till-ata100.html

ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ

CD-ROM 118, 119, 133, 135

dataflow 179, 180, 182, 240

reduction 179, 180

VGA 161, 162, 166

автозагрузчик 138

виртуальный 97

исполнительный 63

физический 97

адресация 64

косвенная 65

непосредственная 64

по содержимому 75, 205

регистровая 65

адресное пространство 76

виртуальное 97

реальное 97

системы ввода-вывода 105

арбитраж 112

архитектура

NUMA 19, 180, 222

RISC 52, 56, 117

SMP 19, 180, 184, 221

гарвардская 11, 50

классическая 47

кластерная 184, 232

набора команд 10

памяти ЭВМ 75

параллельная 178

потоковая 237

принстонская 11

системы 12

систолическая 179, 243

традиционная 47

фон Неймана 47

банк памяти 85

безотказность ЭВМ или ВС 35

библиотека

коммуникационная 196

ленточная 138

биокристалл 251

бисекционная полнота 210

кэш-памяти 92

z-буфер 164

преобразования адресов 99

прерывания 72

состояния процессора 68

структурной живучести графа 217

векторизация программы 190

векторная обработка 190

ветвь параллельной программы 186

видеоадаптер 161

восстановления 38

дополнительное 76

доступа 121

доступа к памяти 75, 83

запуска обмена 209

наработки на отказ 37

обслуживания прерывания 69

ожидания 121

ответа 34, 103

отклика 158

передачи данных 76, 122

послесвечения 157

реакции системы прерывания 69

безотказной работы 38

цикла обращения 76

вычислительная сеть 11

вычислительная система 9

ассоциативная 205

векторно-конвейерная 200

гибридная оптоэлектронная 255

кластерная 231

массово-параллельная 183, 228

матричная 203

многопроцессорная 22

потоковая 237

сильносвязанная 220

вычислительный комплекс (ВК) 10

гамма-коррекция 159

глубина прерывания 69

головка 121

готовность ЭВМ или ВС 34, 39

зависимости 219

межмодульных связей 215, 219

потоков данных 239

дедлок 219

дейзи-цепочка 71

джойстик 143

диаметр графа 217

дигитайзер 144

дискретизация 166

дисплей 155

дорожка 121

ассоциативный 75, 89, 205

последовательный 75

произвольный 75, 80

прямой 75, 122

прямой к памяти 107

доступность ЭВМ или ВС 35

жесткий диск 120

зависимость по данным 191

задержка 75, 209

закон Амдала 173

обратная 223

сквозная 223

прерывания 67, 106

зерно параллелизма 170

иерархия

интенсивность восстановления 38

интенсивность отказов 37

интерфейс 11

большой 103, 116

малый 103, 118

искусственная нейронная сеть 266

ввода-вывода 105

мультиплексный 109

неразделенный 108

разделенный 108

селекторный 109

картридж 138

каскад коммутатора 211

квантование 166

квантовые вычисления 260

клавиатура 140

классификация

вычислительных систем 22

Дункана 178

карманных ПК 16

мониторов 160

накопителей на оптических дисках 133

ноутбуков 14

отказов 35

параллельных ВС 174

серверов 18

сканеров 146

Флинна 175

когерентность памяти 95, 222

операции 49, 50, 59

прерывания 73

Хэмминга 126

векторные 190

коммутатор

баньян-сети 214

простой 210

распределенный составной 215

составной 211

компьютер

квантовый 259

молекулярный 251

оптический 254

персональный 12

суперкомпьютер 21

конвейерная обработка 199

контроллер

ввода-вывода 105

прямого доступа к памяти 107

контрольная сумма 127

коэффициент

готовности 39

попаданий 77

распараллеливания 173

кэш-память 78, 91

дисковая 79

кэш-строка 92

латентность 76, 209

маршрутизация 218

прерывания 73

волновой 180

дисковый 124

систолический 179, 243

масштабируемость ЭВМ или ВС 41

МВС-100 186, 229

МВС-1000 186, 229, 230

быстрого реагирования 70

доступа к памяти 75

обратной записи 96

повышения быстродействия памяти 82

помеченного оператора (опорных точек) 70

сквозной записи 96

структурный повышения быстродействия памяти 85

механизм преобразования адресов 92

микропрограмма 49

многопроцессорная вычислительная система 10

модель параллельного

программирования 188

ввода-вывода 103

вычислительный 208, 228

монитор 155

мэйнфрейм 12, 20

надежность ЭВМ или ВС 34

накопитель

на гибких магнитных дисках 123

на жестких магнитных дисках 120

на магнитной ленте 138

на магнитооптических дисках 123

на оптических дисках 131

нанотехнология 248

нанотрубка 250

наработка на отказ 37

насыщение системы прерывания 70

нейрокомпьютер 266

нейрон 268

обработчик прерывания 67, 72

общая шина 105

организация

ввода-вывода

канальная 105, 108

шинная 105, 110

памяти блочная 86

параллельной обработки 170

отказоустойчивость ЭВМ или ВС 36

оценка стоимости ПО 43

ассоциативная 75, 89, 101, 205, 241

виртуальная 76, 97

вторичная 97

оптическая 257

основная (оперативная) 79

первичная 97

физическая 76

параграф 63

парадигма параллельного программирования 186

параллелизм

данных 187

задач 187, 196

скрытый 239

параллельная

архитектура 178

обработка 170

программа 186

перестановочная сеть 207

безусловный 57

вызов процедуры 59

условный 58

персептрон 271, 273

пиксел 157

показатель качества 25

польская запись 55

попадание 77

потоковая ВС 179, 237

прерывание 67, 106

прибор с зарядовой связью (ПЗС) 145

лазерный 152

линейно-матричный 151

матричный 150

струйный 151

термический 155

адресности 47

двоичного кодирования 47

иерархический организации памяти 77

координатный адресации ячеек памяти 80

локальности 77

однородности памяти 47

программного управления 48, 266

принципы

фон Неймана 47

приоритет 112

прерывания 70

программа

прерывающая 67

программный счетчик 47, 49, 57, 73, 237

производительность 26

коммуникационной среды 209

пиковая 28

реальная 29

промах 77, 96

пропускная способность 209

протокол

профилирование 198

процессор

ассоциативный 206

вычислительный 229

графический 162

звуковой 167

оптический 255

потоковый 243

связной 229

управляющий 203

элементарный 203, 269

распределение

множественно-ассоциативное 95

полностью ассоциативное 94

расслоение памяти 86

адреса памяти 87

аккумулятор 55

векторный 202

общего назначения (РОН) 55

редукционные ВС 179

ремонтопригодность ЭВМ или ВС 35

рендеринг 165

решающее поле 208, 228

световое перо 144

сегмент 63, 100

сектор 122

сервер 12, 18

сервер-лезвие 19

вычислительная 9

многопроцессорная 10

обработки данных (СОД) 9

обработки информации (СОИ) 9

прерываний 67

систолизация 245

сканер 144

слово состояния программы (ССП) 68, 73

совместимость и мобильность ПО 42

адресации 49, 51, 59, 63

стандарт

спецификация-99 13

стекер 138

столбец 80

страница 63, 98

стратегия

выборки 92

замещения 92, 96

обновления ОП 92

размещения 92

стример 138

структурирование буферного пула 219

схема параллелизма 186, 238

счетчик команд 47

векторов прерывания 72

страниц 99

текстурирование 165

прерывания 67

точность информации 36

транзакция 111

транспьютер 183, 228, 229

указатель команды 47

управление

вводом-выводом 105

вычислительными ресурсами 233

коммутаторами 218

прерывания 72

ускорение счета 173

устройство

арифметико-логическое 48

запоминающее 75

ассоциативное 89, 205

внешнее 120

оперативное (ОЗУ) 79

постоянное (ПЗУ) 80

сверхоперативное (СОЗУ) 78

управления 48

фирма-производитель

Acorn Computers 17

Analog Devices 231

Burroughs 55, 89, 203

Cray Research 22, 28, 183, 200, 229

DEC 27, 56, 119, 198

Fujitsu 221, 265

Hewlett Packard 55, 56, 152, 221

Hitachi 20, 221, 265

IBM 20, 27, 30, 42, 52, 53, 56, 91, 109, 116, 119, 161, 182, 221, 229, 265

Inmos 55, 183, 228, 229

Intel 15, 30, 53, 54, 61, 116, 119, 183, 221, 229

Microsoft 17, 119

NEC 14, 119, 221, 265

Nothern Telecom 119

Palm Computing 17

SGI 14, 117, 166, 221

Sun Microsystems 14, 53, 56, 221

Texas Instruments 54, 231

U.S. Robotics 17

Флэш-память 135

команды 59

команды 51

фотоэлектронный умножитель 145

фрагментация памяти 97

активации 269

готовности 39, 40

цветовая температура 159

цена обмена 209

центральная часть ЭВМ 47

графа межмодульных связей 219

команды 50

цилиндр 121

частота отказов 38

чередование адресов 86, 125

шейдер 165

USB 119, 122, 138

асинхронная 112

локальная 111

синхронная 112

системная 111

шпиндель 120

криогенная 263

молекулярная 251

настольная 12

настольная

персональная ЭВМ 12

настольная

рабочая станция 13

портативная 12, 14

карманный ПК 16

ноутбук 14

последовательного типа 47

супер-ЭВМ 12, 21

управляющая 228

эталонная 29

экономичность ЭВМ или ВС 43

электронно-лучевая трубка 155

запоминающий (ЗЭ) 80

процессорный (ПЭ) 203, 243

Эльбрус 185

энергонезависимость 76

эффективность ЭВМ или ВС 26

микросхемы памяти 80, 83

ярусно-параллельная форма программы 171

Автор реферата, не претендуя на исчерпывающее изложение темы, в рамках небольшой работы, поставила цель изучить такое новшество в техническом мире, как нейрокомпьютеры, последовательно раскрывая историю их разработки, применение и перспективы развития.

Выбор пал на данную тему из-за ее актуальности. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.

2. История нейрокомпьютеров.

Нейрокомпьютер - устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.» Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.

	Научное направление	Определение нейровычислительной системы
	Математическая статистика	Нейрокомпьютер - это вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.
	Математическая логика	Нейрокомпьютер - это вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида - нейронов, с полным отказом от булевых элементов типа И, ИЛИ, НЕ.
	Пороговая логика	Нейрокомпьютер - это вычислительная система, алгоритм решения задач в которой представлен в виде сети пороговых элементов с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых элементов и их входного пространства
	Вычислительная техника	Нейрокомпьютер - это вычислительная система с MSIMD архитектурой, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами.
	Медицина (нейробиологический подход)	Нейрокомпьютер - это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях).
	Экономика и финансы	Устоявшегося определения нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение “бизнес”-транзакций.

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.

3.2. Практическое применение нейрокомпьютеров.

3.2.1. Сферы применения

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства:

Управление в режиме реального времени: самолетами, ракетами и

технологическими процессами непрерывного производства (металлургического, химического и др.);

Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей.

Задача	Пример использования нейрокомпьютеров
Прогнозирование временных рядов на основе нейросетевых методов обработки	Валютный курс, спрос и котировки акций, фьючерсные контракты и др.
Прогнозирование банкротств на основе нейросетевой системы распознавания	Составление прогнозирующих отчетов
Применение нейронных сетей к задачам биржевой деятельности	Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия
Прогнозирование экономической эффективности финансирования экономических и инновационных проектов	Предсказание результатов вложений

2. Страховая деятельность банков.

Оценка риска страхования инвестиций на основе анализа надежности проекта

Оценка риска страхования вложенных средств

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности.

3. Прогнозирование банкротств на основе нейросетевой системы распознавания.

Анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да. нет)

Анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

4. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

Выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели

Предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов

Распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания

Определение соотношения котировок и спроса

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. «Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях.»

5. Применение нейронных сетей к задачам анализа биржевой деятельности.

Нейросетевая система распознавания всплесков биржевой активности - анализ деятельности биржи на основе нейросетевой модели

Предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний - нейросетевая система выделения трендов по методикам <японских свечей> и других гистографических источников отображения информации

Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов).

6. Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

Предсказание на основе анализа реализованных ранее проектов;

Предсказание на основе соответствия предлагаемого проекта экономической ситуации

В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.

7. Предсказание результатов займов.

Определение возможности кредитования предприятий

Предоставление кредитов и займов без залога

Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами.

8. Общие приложения нейронных сетей

Применение нейронных сетей в задачах маркетинга и розничной торговли

Одно из самых <модных> применений нейрокомпьютеров в финансовой области. Один из решаемых вопросов - установление цены на новый вид товара на основе многокритериальной оценки.

Моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий

Моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа

Построение модели структуры расходов семьи.

Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.

В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение - «мягкий продукт») и Hardware (электронное аппаратное обеспечение - «твёрдый продукт»), эти разработки получили наименование Wetware «влажный продукт».

В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire). В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки.

(Распространено также и другое определение термина «Wetware» - человеческий компонент в системах «человек-компьютер».)

5. Заключение.

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки.

Такие системы основывались на высокоуровневом моделировании процесса мышления на обычных компьютерах. Скоро стало ясно, чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т. е. перейти от программной реализации процесса мышления к аппаратной.

Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход.

Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы).

Основу нейросетей составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга - искусственные нейроны. Нейрон обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом, который по физическому смыслу эквивалентен электрической проводимости в электрических связях.

Для решения отдельных типов задач существуют оптимальные конфигурации нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом слоев нейронов. Одной из важных особенностью нейронной сети является возможность к обучению. Обучение нейросети может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы нейросети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. После обучения на достаточно большом количестве примеров можно использовать обученную сеть для прогнозирования, предъявляя ей новые входные значения. Это важнейшее достоинство нейрокомпьютера, позволяющие ему решать интеллектуальные задачи, накапливая опыт.

Список используемой литературы.

1. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. № 1

2. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. № 1.

3. Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.

4. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

5. http://ru.wikipedia.org/wiki/Нейрокомпьютер

6. http://www.chipinfo.ru/literature/chipnews/200005/34.html

7. http://works.tarefer.ru/30/100032/index.html

8. http://www.tiptoptech.net/neirokomputer.html

9. http://www.iam.ru/world/neuron.htm

10. http://www.intuit.ru/department/expert/neurocomputing/2/2.html

Http://ru.wikipedia.org/wiki/Нейрокомпьютер

Http://works.tarefer.ru/30/100032/index.html

Уоссермен Ф., Нейрокомпьютерная техника - М., Изд. «Мир», 1992. – С.93

Http://www.chipinfo.ru/literature/chipnews/200005/34.html

Http://ru.wikipedia.org/wiki/Нейрокомпьютер

Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования

«Финансовый университет при Правительстве Российской Федерации»

«Разработка, применение и перспективы развития нейрокомпьютеров»

Выполнила:

студентка гр. М1-1

Жилякова А.И.

Проверил:

3.1. Преимущества и недостатки. 8

3.2.1. Сферы применения 10

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности. 11

1. Введение

2. История нейрокомпьютеров.

Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.

	Научное направление	Определение нейровычислительной системы
	Математическая статистика	Нейрокомпьютер - это вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.
	Математическая логика	Нейрокомпьютер - это вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида - нейронов, с полным отказом от булевых элементов типа И, ИЛИ, НЕ.
	Пороговая логика	Нейрокомпьютер - это вычислительная система, алгоритм решения задач в которой представлен в виде сети пороговых элементов с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых элементов и их входного пространства
	Вычислительная техника	Нейрокомпьютер - это вычислительная система с MSIMD архитектурой, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами.
	Медицина (нейробиологический подход)	Нейрокомпьютер - это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях).
	Экономика и финансы	Устоявшегося определения нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение “бизнес”-транзакций.

3.2. Практическое применение нейрокомпьютеров.

3.2.1. Сферы применения

Управление в режиме реального времени: самолетами, ракетами и

технологическими процессами непрерывного производства (металлургического, химического и др.);

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры построенные на множестве нейрочипов.

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

Задача	Пример использования нейрокомпьютеров
Прогнозирование временных рядов на основе нейросетевых методов обработки	Валютный курс, спрос и котировки акций, фьючерсные контракты и др.
Прогнозирование банкротств на основе нейросетевой системы распознавания	Составление прогнозирующих отчетов
Применение нейронных сетей к задачам биржевой деятельности	Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия
Прогнозирование экономической эффективности финансирования экономических и инновационных проектов	Предсказание результатов вложений

2. Страховая деятельность банков.

Оценка риска страхования инвестиций на основе анализа надежности проекта

Оценка риска страхования вложенных средств

3. Прогнозирование банкротств на основе нейросетевой системы распознавания.

4. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

Предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов

Определение соотношения котировок и спроса

5. Применение нейронных сетей к задачам анализа биржевой деятельности.

6. Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

Предсказание на основе анализа реализованных ранее проектов;

Предсказание на основе соответствия предлагаемого проекта экономической ситуации

7. Предсказание результатов займов.

Определение возможности кредитования предприятий

Предоставление кредитов и займов без залога

8. Общие приложения нейронных сетей

Применение нейронных сетей в задачах маркетинга и розничной торговли

Моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий

Моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа

Построение модели структуры расходов семьи.

4. Перспективы развития нейрокомпьютеров

Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.

Эти интеллектуальные изобретения существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.

Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):

· Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.

· Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.

Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия), процессор NeuroMatrix. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение». С технической точки зрения сегодняшние нейрокомпьютеры - это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.

Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. «Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.»

9. Реферат по остальным рефератам

Рисунок 10.1 – Информационная среда в обществе ближайшего будущего

Уже сегодня пользователям глобальной вычислительной сети Internet стала доступной практически любая в хранилищах знаний этой сети не конфиденциальная информация.

Электронная почта Internet позволяет получить почтовое отправление из любой точки Земли (где есть терминалы этой сети) через 5 секунд, а не через неделю или месяц, как при использовании обычной почты.

Широкое внедрение средств мультимедиа (аудио- и видеосредств ввода и вывода информации) позволит общаться с компьютером на естественном языке.

Специалисты предсказывают возможность создания компьютерной модели реального мира, такой виртуальной (кажущейся, воображаемой) системы, в которой мы можем активно жить и манипулировать виртуальными предметами.

Простейший прообраз такого кажущегося мира уже сейчас существует в сложных компьютерных играх. Но в будущем можно говорить не об играх, а о виртуальной реальности в нашей повседневной жизни, когда нас в комнате, например, будут окружать сотни активных компьютерных устройств, автоматически включающихся и выключающихся по мере надобности, отслеживающих наше местоположение, постоянно снабжающих нас необходимой информацией, воспринимающих нашу информацию и управляющих многими бытовыми приборами.

Информационная революция затронет все стороны жизнедеятельности, появятся системы, создающие виртуальную реальность:

1. Компьютерные системы – при работе на ЭВМ абоненты по видеоканалу каналу будут видеть виртуального собеседника, активно общаться с ним на естественном речевом уровне с аудио- и видео-разъяснениями, советами, подсказками. «Компьютерное одиночество» так вредно влияющее на психику активных пользователей ЭВМ, исчезнет.

2. Системы автоматизированного обучения – при наличии обратной видеосвязи абонент будет общаться с персональным виртуальным учителем, учитывающим психологию, подготовленность, восприимчивость ученика.

3. Торговля – любой товар будет сопровождаться не магнитным кодом, нанесенным на товарный ярлык, а активной компьютерной табличкой, дистанционно общаться с потенциальным покупателем и сообщающей ему всю необходимую информацию – что, где, когда, как, сколько и почем.

^ 10.1.4 Нейрокомпьютеры и перспективы их развития

Нейрокибернетика – это научное направление, занимающееся изучением организации и функционирования нервной системы живых организмов, которая управляет всеми процессами, протекающими в них, чтобы использовать эти знания при построении технических интеллектуальных систем.

Основная идея нейрокибернетики заключается в следующем: единственный объект, способный мыслить, - это человеческий мозг. Поэтому, любое «мыслящее» устройство должно каким-то образом воспроизводить его структуру.

Таким образом нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре мозга. Физиологами давно установлено, что основой человеческого мозга является большое количество (до 10 21) связанных между собой и взаимодействующих нервных клеток – нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичным нейронам, и их объединении в функционирующие системы. ЭВМ, в которых предполагается широко использовать сети из формальных нейронов, получили название нейрокомпьютеров.

Нейрокомпьютер – это ЭВМ, в основе которой лежит не типовая структура, включающая в себя арифметическое устройство, память, устройство ввода-вывода и управляющее между собой, а нейронная сеть, объединяющая все эти функции в своей структуре.

Основная особенность нейрокомпьютеров, отличающая их от ЭВМ, - это сам способ решения задач . Если для решения задач в ЭВМ обычного типа используются программы, то в нейрокомпьютерах решение задачи достигается путем перенастройки сети за счет адаптивных формальных нейронов и специальных процедур самоорганизации сети. В этом нейрокомпьютеры близки к аналоговым вычислительным машинам. Подобно последним, нейрокомпьютеры обладают огромной скоростью работы, недоступной для обычных ЭВМ.

Внедрению нейрокомпьютеров препятствует отсутствие какой-либо теории, позволяющей программировать процессы самоорганизации нейронных сетей таким образом, чтобы в результате этого процесса решалась нужная задача. Предполагается, что методика такого программирования будет найдена в результате активных исследований, которые ведут специалисты, работающие в области нейрокибернетики, а также путем модификации методов, используемых для решения задач в аналоговых машинах и однородных средах.

^ 10.2 Перспективы развития информационных технологий

С начала 90-х годов прошлого столетия начинают развиваться новые информационные технологии, основанные на работах в области искусственного интеллекта. Это означает, что пользователь, применяя компьютерные технологии, сможет не только получать сведения на основе обработки данных, но и использовать по интересующей его проблеме накопленный опыт и знания профессионалов.

Интеллектуальные системы и технологии применяются для тиражирования профессионального опыта и решения сложных научных, производственных и экономических задач, например, анализ инвестиций, планирование рекламной кампании, прогнозирование рынка. Для обработки и моделирования знаний применяются специальные модели и создаются базы знаний.

Под искусственным интеллектом понимают совокупность аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Исследования в области искусственного интеллекта сконцентрированы на разработке и внедрении компьютерных программ, способных имитировать или воспроизводить те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта.

Искусственный интеллект развивается по следующим направлениям:

1. Представление знаний и разработка систем, основанных на знаниях. Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем. В последнее время включает в себя модели и методы извлечения и структурирования знаний.

2. Игры и творчество. Традиционно искусственный интеллект включает в себя игровые интеллектуальные задачи – шахматы, шашки. В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.

3. Разработка естественно-языковых интерфейсов и машинный перевод. В 50-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первая программа в этой области – переводчик с английского языка на русский. Первая идея – пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель, включающая анализ и синтез естественно-языковых сообщений.

4. Распознавание образов. Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.

5. Новые архитектуры компьютеров. Это направление занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных и параллельным компьютерам.

6. Интеллектуальные роботы. Роботы – это электромеханические устройства, предназначенные для автоматизации человеческого труда. Конечная цель развития робототехники – это создание самоорганизующихся, или интеллектуальных роботов. Основная проблема при создании интеллектуальных роботов – проблема машинного зрения.

7. Специальное программное обеспечение. В рамках этого направления разрабатываются специальные языки для решения задач невычислительного плана. Эти языки ориентированы на символьную обработку информации – LISP, PROLOG, РЕФАЛ и др. Создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, или программные инструментарии искусственного интеллекта, например KEE, ARTS. Достаточно популярно создание пустых экспертных систем, или «оболочек», - EXSYS, MI и др., в которых можно наполнять базы знаний, создавая различные системы.

8. Обучение и самообучение. Активно развивающаяся область искусственного интеллекта. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение на примерах, а также традиционные подходы распознавания образов.

Интеллектуальные автоматизированные информационные системы особенно эффективны в применении к трудно формализуемым задачам. Трудно формализуемые задачи – это задачи, в которых трудно выделить все ее элементы и установить между ними связи. Для решения этих задач применяются эвристические процедуры, позволяющие в большинстве случаев получить решение.

Разработка экспертных систем - одно из направлений искусственного интеллекта. Наибольшие практические результаты достигнуты в создании экспертных систем, которые получили широкое распространение и используются при решении практических задач.

Выделим условия, при выполнении которых компьютерную программу можно назвать экспертом:

1. Эта программа должна обладать знаниями.

2. Знания, которыми обладает программа, должны быть сконцентрированы на определенную предметную область и предполагают определенную их организацию и интеграцию.

3. Из этих знаний должно непосредственно вытекать решение проблемы.

Экспертная система – это комплекс компьютерных программ, которые оперируют со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.

Экспертная система может полностью взять на себя функции, выполнение которых требует привлечения опыта человека-специалиста, или играть роль ассистента для человека, принимающего решение. Тот, кто принимает решение, может быть экспертом со своими собственными правами, в этом случае программа может повысить эффективность его работы. Или человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Правильное распределение функций между человеком и машиной является одним из ключевых условий высокой эффективности внедрения экспертных систем.

Экспертная система должна обладать способностью объяснить, почему предложено именно такое решение, и доказать его обоснованность. Пользователь должен получить всю информацию, необходимую ему для того, чтобы быть уверенным в правильности решения. В отличие от этого, исследовательские программы взаимодействуют только со своим создателем, который и так знает, на чем основывается ее результат. Экспертная система проектируется в расчете на взаимодействие с разными пользователями, для которых ее работа должна быть, по возможности, прозрачной, т.е. не требующей специальных знаний.

Из вышесказанного следует, что экспертная система содержит знания в определенной предметной области, накопленных в результате деятельности человека, и использует их для решения проблем, специфичных для этой области. Этим экспертные системы отличаются от традиционных систем, в которых предпочтение отдается более общим и менее связанным с предметной областью теоретическим методам, чаще всего математическим. Процесс создания экспертных систем называют инженерией знаний и он рассматривается в качестве применения методов искусственного интеллекта.

Традиционно считается, что любая экспертная система содержит следующие основные компоненты: базу знаний, интеллектуальный интерфейс с пользователем, программу формирования логических выводов (решатель), подсистему объяснений, интеллектуальный редактор базы знаний.

База знаний – совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на языке, приближенном к естественному). База знаний является ядром экспертной системы.

Интеллектуальный интерфейс пользователя – комплекс программ, реализующих диалог пользователя с экспертной системой как на стадии ввода информации, так и получения результатов.

Программа формирования логических выводов (решатель) - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?». Ответ на вопрос «как» - пошаговый процесс всего процесса получения решения с указанием использованных фрагментов базы знаний. Ответ на вопрос «почему» - ссылка на умозаключение, непосредственно предшествовавшее полученному решению, т.е. отход на один шаг назад.

Интеллектуальный редактор базы знаний – программа, представляющая инженеру по знаниям возможность создавать базу знаний в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок (Help) и других сервисных средств, облегчающих работу с базой.

Инженер по знаниям – специалист по искусственному интеллекту, выступающий в роли промежуточного буфера между экспертом и базой знаний.

Таким образом, использование новых информационных технологий, создание интеллектуальных автоматизированных информационных систем способствует переходу от индустриального к информационному обществу.

^ 11. Модели решения функциональных и вычислительных задач

11.1 Этапы решения задач на ЭВМ

На ЭВМ могут решаться задачи различного характера, например: научно-инженерные разработки системного программного обеспечения; обучения; управления производственными процессами и т. д. В процессе подготовки и решения на ЭВМ научно-инженерных задач можно выделить следующие этапы:

Постановка задачи;
математическое описание задачи;
выбор и обоснование метода решения;
алгоритмизация вычислительного процесса;
составление программы;
решение задачи на ЭВМ и анализ результатов.

В задачах другого класса некоторые этапы могут отсутствовать, например, в зада-чах системного программного обеспечения отсутствует математическое описание.

Перечисленные этапы связаны друг с другом. Например, анализ результатов может показать необходимость внесения изменений в программу, алгоритм или даже в постановку задачи. Для уменьшения числа подобных изменений необходимо на каждом этапе по возможности учитывать требования, предъявляемые последующими этапами. В некоторых случаях связь между различными этапами, например, между постановкой задачи и выбором метода решения, между составлением алгоритма и программированием, может быть настолько тесной, что разделение их становится затруднительным.

^ Постановка задачи. На данном этапе формулируется цель решения задачи и подробно описывается ее содержание. Анализируются характер и сущность всех величин, используемых в задаче, и определяются условия, при которых она решается. Корректность постановки задачи является важным моментом, так как от нее в значительной степени зависят другие этапы.

^ Математическое описание задачи . Настоящий этап характеризуется математической формализацией задачи, при которой существующие соотношения между величина, определяющими результат, выражаются посредством математических формул. Так формируется математическая модель явления с определенной точностью, допущениями и ограничениями.

Математическая модель должна удовлетворять по крайней мере двум требованиям: реалистичности и реализуемости. Под реалистичностью понимается правильное отражение моделью наиболее существенных черт исследуемого явления. Реализуемость достигается разумной абстракцией, отвлечением от второстепенных деталей, чтобы свести задачу к проблеме с известным решением. Условием реализуемости является возможность практического выполнения необходимых вычислений за отведенное время при доступных затратах требуемых ресурсов.

^ Выбор и обоснование метода решения . Модель решения задачи с учетом ее особенностей должна быть доведена до решения при помощи конкретных методов решения. Само по себе математическое описание задачи в большинстве случаев трудно перевести на язык машины. Выбор и использование метода решения задач позволяет привести решение задачи к конкретным машинным операциям. При обосновании выбора метода необходимо учитывать различные факторы и условия, в том числе точность вычислений, время решения задачи на ЭВМ, требуемый объем памяти и другие.

Одну и ту же задачу можно решить различными методами, при этом в рамках каждого метода можно составить различные алгоритмы.

^ Алгоритмизация вычислительного процесса . На данном этапе составляется алгоритм решения задачи согласно действиям, задаваемым выбранным методом решения. Процесс обработки данных разбивается на отдельные относительно самостоятельные блоки, и устанавливается последовательность выполнения блоков. Разрабатывается блок-схема алгоритма.

^ Составление программы . При составлении программы алгоритм решения задачи переводится на конкретный язык программирования. Для программирования обычно используются языки высокого уровня, поэтому составленная программа требует перевода ее на машинный язык ЭВМ. После такого перевода выполняется уже соответствующая машинная программа.

^ Отладка программы . Отладка заключается в поиске и устранении синтаксических и логических ошибок в программе.

В ходе синтаксического контроля программы транслятором выявляются конструкции и сочетания символов, недопустимые с точки зрения правил их построения или написания, принятых в данном языке. Сообщения об ошибках выдает программисту, при этом вид и форма выдачи подобных сообщении зависит вида языка и версии используемого транслятора.

После устранения синтаксических ошибок проверяется логика работы программы в процессе ее выполнения с конкретными исходными данными. Для этого используются специальные методы, например, в программе выбираются контрольные точки, для которых вручную рассчитываются промежуточные результаты. Эти результаты сверяются со значениями, получаемыми ЭВМ в данных точках при выполнении отлаживаемой программы. Кроме того, для поиска ошибок могут быть использованы отладчики, выполняющие специальные действия на этапе отладки, например, удаление, замена или вставка отдельных операторов или целых фрагментов программы, вывод или изменение значений заданных переменных.

^ Решение задачи на ЭВМ и анализ результатов. После отладки программы ее можно использовать для решения прикладной задачи. При этом обычно выполняется многократное решение задачи на ЭВМ для различных наборов исходных данных. Получаемые результаты интерпретируются и анализируются специалистом или пользователем, поставившим задачу.

Разработанная программа длительного использования устанавливается на ЭВМ, как правило, в виде готовой к выполнению машинной программы. К программе прилагается документация, включая инструкция для пользователя.

Чаще всего при установке программы на диск для ее последующего использования помимо файлов с исполняемым кодом устанавливаются различные вспомогательные программы (утилиты, справочники, настройщики и т.д.), а также необходимые для работы программы разного рода файлы с текстовой, графической, звуковой и другой информацией.

^ 11.2 Понятие модели, классификация моделей

С понятием «модель» каждый сталкивается с детства. Игрушечный автомобиль, самолет или кораблик для многих были любимыми игрушками. В развитии ребенка, в процессе познания окружающего мира, такие игрушки, являющиеся, по существу, моделями реальных объектов играют важную роль. В подростковом возрасте для многих увлечение авиамоделированием, судомоделированием, собственноручным созданием игрушек, похожих на реальные объекты, оказало влияние на выбор жизненного пути.

Что же такое модель? Что общего между игрушечным корабликом и рисунком на экране компьютера, изображающим сложную математическую абстракцию? И все же общее есть: и в том, и в другом случае мы имеем образ реального явления, «заместителя» некоторого «оригинала», воспроизводящего его с той иной достоверностью и подробностью. Или то же самое другими словами: модель является представлением объекта в некоторой форме, отличной от формы реального существования.

Практически во всех науках о природе, живой и неживой, об обществе, построение и использование моделей является мощным орудием познания. Реальные объекты и процессы бывают столь многогранны и сложны, что лучшим способом их изучения часто является построение модели, отображающей лишь какую-то грань реальности и потому многократно более простой, чем эта реальность, и исследование этой модели. Многовековой опыт развития науки доказал на практике плодотворность такого подхода.

В моделировании есть два заметно разных пути. Модель может быть копией объекта, выполненной из другого материала, в другом масштабе, с отсутствием ряда деталей. Например, это игрушечный кораблик, самолетик, домик из кубиков и множество других натурных моделей. Модель может, однако, отображать реальность более абстрактно - словесным описанием в свободной форме, описанием, формализованным по каким-то правилам, математическими соотношениями и т.д.

Модель – это объект, который замещает оригинал и отражает наиболее важные для данного исследования черты свойства оригинала.

В прикладных областях различают следующие виды абстрактных моделей:

I) традиционное (прежде всего для теоретической физики, а также механики, химии, биологии, ряда других наук) математическое моделирование без какой-либо привязки к техническим средствам информатики;

Операторный метод описания алгоритмов был разработан советским ученым Алексеем Андреевичем Ляпуновым в 1954 году. Операторная схема – аналитическая форма представления алгоритма с помощью операторов, отражающих содержание этапов. Арифметический оператор (вычисление) обозначается в русской транскрипции буквой А, логический – буквой Л, ввод данных – буквой В, печать – буквой П, начало – буквой Н, конец – буквой К.

Порядковый номер оператора, независимо от его типа, обозначается индексом. Операторы записываются в строку, для пояснения схемы переходов после логических операторов ставятся сверху или снизу горизонтальные стрелки, указывающие место перехода. Если операторы выполняются в естественном порядке, между ними не ставится разделитель, если после i-го оператора (i+1)-й не выполняется, между ними ставится разделитель – точка с запятой. Для логических операторов возможно указание условия, по которому программа разветвляется на ветви.

Операторный метод дает наглядное логическое представление алгоритма, однако он был вытеснен графическим способом, который оказался более компактным и наглядным.

При графическом способе представления алгоритм изображается в виде последовательности связанных между собой функциональных блоков, каждый из которых соответствует выполнению одного или нескольких действий.

Такое графическое представление называется схемой алгоритма или блок-схемой . В блок-схеме каждому типу действий (вводу исходных данных, вычислению значений выражений, проверке условий и т.п.) соответствует геометрическая фигура, представленная в виде блочного символа. Блочные символы соединяются линиями переходов, определяющими очередность выполнения действий. Приведем символы, используемые для построения блок-схем (таблица 12.3.1.).

Таблица 12.3.1. – Схемы алгоритмов, программ, данных и систем

Наименование	Символ	Функция
Терминатор		Начало или конец
Процесс		Обработка данных любого вида
Данные		Данные, носитель не определен, указывает ввод и вывод данных
Предопределенный процесс		Процедура или функция
Подготовка		Цикл с заданным числом повторений
Решение		Условный оператор или переключатель
Соединитель		Обрыв и продолжение линии

Нейрокомпьютеры: история возникновения и перспективы развития.

Введение

Нейрокомпьютеры

Нейрокомпьютеры, и их применение в современном обществе

2. История нейрокомпьютеров.

3.2. Практическое применение нейрокомпьютеров.

3.2.1. Сферы применения

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

5. Заключение.

Список используемой литературы.

1. Введение

2. История нейрокомпьютеров.

3.2. Практическое применение нейрокомпьютеров.

3.2.1. Сферы применения

3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

4. Перспективы развития нейрокомпьютеров

Рисунок 10.1 – Информационная среда в обществе ближайшего будущего

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам:

Ваш комментарий (необязательно):