НЕЙРОННАЯ СЕТЬ

НЕЙРОННАЯ СЕТЬ — структура, образованная из нейронов, каждый из к-рых может взаимодействовать с одним или несколькими соседними элементами.

Изучение Н. с. и создание различных ее моделей вызвано стремлением повысить быстродействие, эффективность, гибкость и надежность технических систем. Результаты изучения Н. с. находят применение при создании устройств для распознавания зрительных и звуковых образов, для диагностики состояния технических объектов, разработки методов адаптивного управления, конструирования надежных и гибких вычислительных машин, обучения роботов сложному поведению и в ряде других случаев. Понятие «нейронная сеть» возникло после появления нейронной теории строения нервной системы, в основу к-рой было положено утверждение, что нервная ткань может быть представлена в виде совокупности отдельных нейронов, способных передавать Нейронная теория). Наличие разветвленных связей между нейронами значительно увеличивает многообразие Н. с. и ее возможности информационной переработки потоков импульсов возбуждения, распространяющихся по нервным волокнам.

Изучение Н. с. проводят с помощью гистол, и электрофизиол, методов, а также методом моделирования (см.). Разработана математическая теория Н. с.

Особое значение при исследовании Н. с. приобретает метод моделирования. Это связано с тем, что одновременная регистрация электрических процессов во многих нейронах, т. е. экспериментальное установление картины работы сотен или тысяч нейронов реальной Н. с., на практике не осуществляется.

Существуют два основных подхода к моделированию Н. с. Задачей первого подхода является объяснение и воспроизведение информационной функции Н. с., к-рая включает логические и вычислительные операции, способность к адаптации и самообучению, циклическую активность и т. п.; второй подход связан с разработкой структурно-функциональных моделей целых отделов биол, систем, напр, анализаторных или эффекторных систем мозга.

При моделировании информационных функций требования к основному элементу модели Н. с. формулируются на основе особенностей функций, выполняемых моделируемым отделом нервной системы. Структурно-функциональные модели гораздо теснее привязаны к биол, прототипу, в них обычно учитываются свойства отдельных нейронов и структура связей между нейронами реальных Н. с.

Разработаны различные типы информационных моделей Н. с., отличающиеся свойствами нейроноподобного элемента, лежащего в их основе. В частности, разработаны бинарные модели Н. с., в основе к-рых лежит формальная модель нейрона — элемент с многими входами и одним выходом. Такая модель нейрона обладает следующими свойствами: суммирование входящих сигналов производится в дискретные моменты времени; каждому входящему сигналу присваивается знак «плюс» или «минус» в зависимости от того, на какой вход (возбуждающий или тормозный) он поступил; каждый входящий сигнал «взвешивается», т. е. умножается на нек-рую постоянную величину, зависящую от коэффициента передачи по данному входу; выходящий сигнал модели нейрона считается равным единице, если взвешенная сумма всех входящих сигналов больше установленной пороговой величины, и равен нулю в противоположном случае. Т. о., формальная модель нейрона обладает свойством пространственной суммации, но не воспроизводит свойство временной суммации.

Попытки учесть свойство временной суммации привели к созданию так наз. аналоговой модели нейрона, в к-рой входящие сигналы непрерывны во времени, а выходящий линейно зависит от суммы входных сигналов и может принимать всю область значений от 0 до 1, т. е. представляет собой аналоговую величину. Сети из аналоговых нейронов выполняют непрерывные логические операции, напр, операции по нахождению минимальных или максимальных величин, определению модуля разности двух величин и т. д. Модели Н. с., реализующие непрерывные логические операции, используют, напр., для классификации кривых по их форме, в частности при анализе энцефалограмм, кардиограмм и т. д.

При дальнейшем усложнении информационные модели Н. с. наряду с логическими операциями стали способными выполнять широкий класс вычислительных операций. Так, добавление аналоговому нейрону способности суммировать сигналы разной длительности позволяет Н. с. реализовывать все элементарные вычислительные функции — сложение, вычитание, умножение и деление, а добавление способности задерживать импульс — осуществлять такие операции, как интегрирование, вычисление корреляционных функций, разложение функции в ряд (напр., по синусам или косинусам) и т. д.

Для построения моделей Н. с., обладающих свойствами обучения и самоорганизации, т. е. способных производить самостоятельные структурные перестройки, обеспечивающие приспособление к меняющимся условиям, элементы Н. с. необходимо наделять способностями к адаптации и пластичности, т. е. к перестройке весов входов в зависимости от состояния сети. Математический аппарат, пригодный для описания обучаемых и самоорганизующихся Н. с., включает методы теории алгоритмов, теории автоматов, а также теории линейных систем.

Другим способом усложнения свойств Н. с. является увеличение числа элементов при неизменных свойствах каждого из элементов. Таким путем, в частности, разработаны модели Н. с. с циклической активностью, получившие названия нейронных коммутаторов. Они состоят из 5 и более нейронов, образующих замкнутую цепь. От каждого нейрона тормозная связь распространяется только на один соседний нейрон. Свойства (параметры) этих связей могут быть выбраны так, что условия генерации импульсов создаются поочередно в каждом нейроне в течение определенного интервала времени. За этот интервал нейрон генерирует пачку импульсов, последовательно обегающую все элементы, т. е. в модели Н. с. циркулирует волна возбуждения. Если менять подпороговый уровень возбуждения одновременно у всех элементов цепи, то длина пачек, а следовательно, скорость пробегания волны возбуждения, будет меняться. Нейронные коммутаторы представляют собой модели так наз. ритмоводителей, или пейсмекеров (см.), управляющих ритмическими процессами возбуждения в дыхательном центре или сердце.

Развитие вычислительной техники сделало возможным создание и исследование моделей Н. с. с большим числом элементов (до 1—2 тыс.). Это обусловило возникновение вероятностных моделей Н. с., в к-рых задается лишь вероятность существования связи между любыми двумя элементами сети. Разновидностью вероятностных моделей Н. с. являются топологические Н. с.— в них вводится ограничение на расстояние между двумя элементами, при к-ром еще возможно образование связи. Вероятностные и топологические модели Н. с. позволяют моделировать нек-рые сложные функции головного мозга (напр., оперативную память).

Структурно-функциональные модели Н. с. возникли позже, чем информационные, и во многом основываются на результатах, полученных при изучении первых. Чаще их применяют при моделировании процессов восприятия сенсорными системами головного мозга. При построении структурно-функциональных моделей Н. с. используются данные, получаемые при изучении особенностей строения отдельных нейронов, их ансамблей, нервных ядер и их отдельных частей, особенностей функционирования той или иной системы мозга, специфики ее биоэлектрической активности и т. д.

Структурно-функциональные модели Н. с. включают несколько этапов переработки информации, что соответствует различным уровням нервной системы — от рецепторов до подкорковых ядер или специфических зон коры головного мозга. Модели такого типа разработаны, напр., для механизмов частотно-интенсивност-ного и бинаурального анализа в слуховом анализаторе, механизмов текстурного и бинокулярного анализа в зрительном анализаторе и т. д.

Библиография: Бионика, под ред. Л. В. Решодько, Киев, 1978; Позин Н. В. Моделирование нейронных структур, М., 1970, библиогр.; Проблемы бионики, под ред. М. Г. Гаазе-Рапопорта и Н. В. Кокшайского, М., 1973; Теория связи в сенсорных системах, пер. с англ., под ред. Г. Д. Смирнова, М., 1964; Школьник-Яррос Е. Г. Нейроны и межнейронные связи, М., 1965, библиогр.; Элементы теории биологических анализаторов, под ред. Н. В. Позина, М., 1978.

И. А. Любинский.