Понятие нейронных сетей

Под нейронными сетями (НС) понимают параллельные вычислительные структуры которые моделируют биологические процессы обычно ассоциируемые с процессами человеческого мозга. НС обладают способностью приобретать знания о предметной области, обучаясь на примерах.
История НС начинается с работ американских ученых У. Мак-Каллона, В. Питтса (1943г. модель формального нейрона) и Ф. Розенблатта (1957г. однослойная НС, названная им персептроном). Персептрон – электронное устройство, моделирующее глаз улитки и его взаимодействия с мозгом.

Искусственный нейрон — это элементарный преобразовательный элемент, имеющий непустое множество входов, на которые поступают сигналы х1, х2, …, хn. Суммирующий блок, блок преобразования сигнала с помощью активационной проекции и один выход Уо. Каждому входу приписан свой «вес» w (соответствующий мере» биологической синоптической связи). Функционирует нейрон в два такта, на первом такте в суммирующем блоке вычисляется величина возбуждения полученного нейроном. Другими словами, нейрон имеет входные сигналы, в биологическом нейроне роль «собирателя» этих сигналов от другий нейронов служит дендрит, и у нейрона есть выходной сигнал, в биологическом нейроне передатчиком сигналов другим нервным клеткам служит аксон. Другими словами, в нейрон от других нейров приходит какое-то число сигналов, обработав их, нейрон передает выходной сигнал далее, другому нейрону.
Функционирует нейрон в два такта, на первом такте в суммирующем блоке вычисляется величина возбуждения полученного нейроном

На втором такте суммарное возбуждение пропускается через активационную (преобразующую) функцию F в результате чего получается выходной сигнал Yо = F(Y).

Существует 4 вида активационной функции:
1) Линейная функция (гистерезис)

2) Функция единого скачка

3) Сигмоидальная функция активации

4) гиперболический тангенс

Применение
НС это инструмент для решения широкого класса задач, используется в качестве средства обработки информации, обладая следующими возможностями:
1) гибкая модель для нелинейной аппроксимации многомерных функций;
2) средство прогнозирования во времени процессов, зависящих от многих переменных;
3) классификатор по многим признакам;
4) средство распознавания образов;
5) поиск закономерностей в массивах данных и др.

1.3 Обзор информационных технологий/программных средств для реализации алгоритмов нейронных сетей