2023, випуск 3, c. 69-80
Одержано 08.09.2023; Виправлено 19.09.2023; Прийнято 26.09.2023
Надруковано 29.09.2023; Вперше Online 19.10.2023
https://doi.org/10.34229/2707-451X.23.3.6
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Огляд та аналіз розвитку штучних нейронних мереж
О.С. Білоконь 
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Створення інтелектуальних кіберфізичних систем неможливе без знань аналізу та процесу розвитку наукової думки, щодо штучних нейронних мереж. Основна задача даної статті – дослідження та аналіз концепції інтелектуальних технологій, що базуються на штучних нейронних мережах. Знання особливостей створення, становлення та розвитку знань про штучні нейронні мережі має у свою чергу особливе значення для науковців, розробників, інженерів проектувальників. Стаття складається з наступних частин: в першу чергу висвітлюються різні підходи до проблеми побудови штучних функцій мозку, погляди яких що у свою чергу поділяється на монотипні та генотипні моделі. Наступна частина – аналіз розвитку систем штучного інтелекту, також вводяться деякі факти процесу розвитку системи штучного інтелекту та висвітлюються особливості наукової думки з питань штучних нейронних мереж. Розглядаються різні концепції та погляди за допомогою яких можливо відтворити процес обчислення для більш детального аналізу та синтезу алгоритмів інтелектуальних систем. У частині про стан теорії акцентується увага на тому факті, що дослідники, які не могли отримати точних аналітичних відповідей, долучають до наукового інструментарію методи експериментального моделювання або на цифрових машинах, або на механічних моделях. Крім цього зазначається, що модель це не кінцевий результат досліджень, а лише початковою точкою для аналізу її поведінки. У частині штучних нейронних мереж автор торкається наступних концепцій: логіка обчислень Маккалоха та Піттса у нейронних мережах, проблеми присвоєння коефіцієнтів довіри, принцип самоорганізації, які були вперше проілюстровані за допомогою комп'ютерного моделювання, принципу конкурентного навчання, модель Кохонена, багатошарові мережі прямого поширення з урахуванням радіальних базисних функцій, що стала альтернативою багатошаровому персептрону, машини опорних векторів. Як результат автор отримує цілісну картину генезису інтелектуальних систем та технології штучних нейронних мереж. Процеси розвитку наукової думки дають чітке усвідомлення особливостей інтелектуальних технологій побудованих за допомогою штучних нейронних мереж, особливостей функціонування та обчислення.
Ключові слова: штучні нейронні мережі, персептрон, теорії Маккалоха – Піттса, інтелектуальних комп’ютерних систем, кіберфізичний агент, мобільний робот, робототехніка.
Цитувати так: Білоконь О.С. Огляд та аналіз розвитку штучних нейронних мереж. Cybernetics and Computer Technologies. 2023. 3. С. 68–80. https://doi.org/10.34229/2707-451X.23.3.6
Список літератури
1. Kohler W. Relational Determination in Perception. Cerebral mechanisms in behavior / ed. L. A. Jeffress. New York : Wiley, 1951. P. 200–243.
2. Bullock T.H. Neuron Doctrine and electrophysiology. Science. 1959. Vol. 129, N 3355. P. 997–1002. https://doi.org/10.1126/science.129.3355.997
3. Pitts W., McCulloch W.S. How we know universals: The Paception of auditory and visual forms. Bull. of Math. Biophys. 1947. Vol. 9. P. 127–147. https://doi.org/10.1007/BF02478291
4. Turing A.M. On Computable Numbers, with an Application to the Entscheidungs problem. Proc. London Math. Soc. 1936. Ser. 2, Vol. 42. P. 230–265; 1937. Vol. 43. P. 544–546. https://doi.org/10.1017/S002248120003958X
5. Rashevsky N. Mathematical Biophysics; Physicomathematical Foundations of Biology. Chicago : Univ. Chicago Press, 1938. 340 p.
6. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull. of Math. Biophys. 1943. Vol. 5. P. 115–133. https://doi.org/10.1007/BF02478259
7. Lashley K.S. Brain mechanisms and intelligence: a quantitative study of injuries to the brain. Chicago : Univ. Chicago Press, 1929. XIV, 186 p. : XI pl., ill., diagr. https://doi.org/10.1037/10017-000
8. Voas R.B. A description of the astronaut’s task in project mercury. Human Factors. 1961. Vol. 3, N 3. P. 149–165. https://doi.org/10.1177/001872086100300301
9. Licklider J.C.R. Man-computer symbiosis. IRE Trans. on Human Factors in Electronics. 1960. Vol. HFE-1. P. 4–11. https://doi.org/10.1109/THFE2.1960.4503259
10. Morrison Charles by Richard Bissell Prosser. Dictionary of National Biography. 1885–1900. Vol. 39. https://en.wikisource.org/wiki/Dictionary_of_National_Biography,_1885-1900/Morrison,_Charles
11. Rail W. Some historical notes. Computational Neuroscience / ed. E. L. Schwartz. Cambridge : MIT Press, 1990. P. 3–8.
12. Minsky M.L. Theory of neural-analog reinforcement systems and its aplicationto the brain-model problem. Thesis. Diss. Princeton : Princeton Univ., 1954. 24 p.
13. Caianiello E. Outline of a theory of thought-processes and thinking machines. Journal of Theoretical Biology. 1961. Vol. 1, No. 2. P. 204–235. https://doi.org/10.1016/0022-5193(61)90046-7
14. Kohonen T. The self-organizing map. Proc. of the IEEE. 1990. Vol. 78, N. 9. P. 1464–1480. https://doi.org/10.1109/5.58325
15. Neumann J. von. Probabilistic logics and the synthesis of reliable organisms from unreliable components. Automata Studies / ed C. E. Shannon, J. Mc Carthy. Princeton ; N. Y. : Univ. Press, 1956. P. 43–98. https://doi.org/10.1515/9781400882618-003
16. Rosenblatt F. The Perceptron: A probabilistic model for information storage andorganization in the brain. Psychol. Rev. 1958. Vol. 65, N. 6. P. 386–408. https://doi.org/10.1037/h0042519
17. Rosenblatt F. On the convergence of reinforcement procedures in simple per-ceptrons. Cornell Aeronautical Laboratory Report VG-1196-G-4. Buffalo, NY. February 1960.
18. Глушков В.М. Теория обучения одного класса дискретных перцептронов. Журнал вычислительной математики и математической физики. 1962. Т. 2, № 2. С. 317–335.
19. Глушков В.М. К вопросу о самообучении в перцептроне. Журнал вычислительной математики и математической физики. 1962. Т. 2, № 6. С. 1102–1110.
20. Ивахненко А.Г. Система эвристической самоорганизации в технической кибернетике. Київ: Техніка, 1971. 372 с.
21. Willshaw D.J., Von Der Malsburg C. How patterned neural connections can be set up by self-organization. Proc. of the Roy. Soc. of London. Ser. B: Biol. sciences. 1976. Vol. 194, N. 1117. P. 431–145. https://doi.org/10.1098/rspb.1976.0087
22. Minsky M.L. Steps towards artificial intelligence. Proc. of the Ins. of Radio Eng. 1961. Vol. 49, N. 1. P. 8–30 (Reprinted in: Computers and Thought / [ed. E. A. Feigenbaum, J. Feldman]. New York : McGraw-Hill, 1963. P. 406–450.
23. Grossberg S. Adaptive pattern classification and universal receding: I. Parallel development and coding of neural detectors. Biol. Cybernetics. 1976. Vol. 23, N. 3. P. 121–134. https://doi.org/10.1007/BF00344744
24. Grossberg S. How does a brain build a cognitive code? Psychol. Rev. 1980. Vol. 87, N. 1. P. 1–51. https://doi.org/10.1037/0033-295X.87.1.1
25. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. Proc. of the Nat. Acad. of Sciences. 1982. Vol. 79, N. 8. P. 2554–2558. https://doi.org/10.1073/pnas.79.8.2554
26. Cragg B.G.,Tamperley H.N.V. Memory: The analogy with ferromagnetic hysteresis. Brain. 1955. Vol. 78, Part II. P. 304–316. https://doi.org/10.1093/brain/78.2.304
27. Grossberg S. A prediction theory for some nonlinear functional-difference equa-tions. J. of Math. Analysis and Aplications. 1968. Vol. 21, Iss. 3. P. 643–694. Vol. 22, Iss. 3. P. 490–522. https://doi.org/10.1016/0022-247X(68)90269-2
28. Amari S. Characteristics of random nets o f analog neuron-like elements. in IEEE Transactions on Systems, Man, and Cybernetics. 1972. Vol. SMC-2, N. 5. P. 643–657. https://doi.org/10.1109/TSMC.1972.4309193
29. Kohonen T. Self-organized formation of topologically correct feature maps. Biol. Cybernetics. 1982. Vol. 43, N. 1. P. 59–69. https://doi.org/10.1007/BF00337288
30. Kirkpatrick S., Gelatt C.D., Vecchi Jr., Vecchi M.P. Optimization by simulated annealing. Science. New Series. 1983. Vol. 220, N. 4598. P. 671–680. https://doi.org/10.1126/science.220.4598.671
31. Aizerman M.A., Braverman E.M., Rozonoer L.I. Theoretical foundations of the potential function method in pattern recognition learning. Automation and Remote Control. 1964. Vol. 25. P. 821–837.
32. Duda R.O., Hart P.E. Pattern Classification and Scene Analysis, New York: Wiley, 1973.
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна