Page 345 - ЭВМ

используя точные математические методы, строго доказал ряд теорем,
показав, что используемые однослойные сети теоретически не спо-
собны решить многие простые задачи, например, реализовать логиче-

скую функцию «исключающее ИЛИ». Безупречность доказательств
Минского, подкрепленная его авторитетом в ученых кругах, явилась
одной из причин задержки развития нейроинтеллекта почти на два
десятилетия. Однако ряд наиболее настойчивых ученых, таких как
Т. К. Кохонен, А. Ю. Гроссберг, Ф. У. Андерсон, продолжили иссле-

дования, постепенно создавая теоретические основы для построения
и применения искусственных нейронных сетей. Как выяснилось,
Минский был слишком пессимистичен в своих прогнозах, и многие
из задач, описанных им как нерешаемые, сейчас решаются нейрон-

ными сетями с использованием стандартных процедур.
За последние десятилетия теория о нейроинтеллекте приобрела
новое значение. Было предложено много интересных разработок, та-
ких, например, как когнитон, способный с высокой достоверностью
распознавать достаточно сложные образы (например иероглифы) не-

зависимо от поворота и масштаба изображения. Автором когнитона
является японский ученый К. Фукушима. В 1982 г. американский
биофизик Дж. Хопфилд предложил интересную модель сети, полу-
чившей в будущем его имя. Позднее был разработан ряд эффектив-

ных алгоритмов: сеть встречного потока (R. Hecht-Neilsen), двуна-
правленная ассоциативная память (B. Kosko) и др. [66–70; 73–78].
Области применения и задачи, решаемые нейронными се-
тями. Применение нейронных сетей (НС) зачастую носит неоправ-
данный характер, однако можно описать области и задачи, где их ис-

пользование может значительно повысить итоговые показатели [66;
68–70; 75; 76; 78].
В литературе встречается значительное число признаков, кото-
рыми должна обладать задача, чтобы применение НС было оправдано

и НС могла бы ее решить:
– отсутствует алгоритм или не известны принципы решения
задач, но накоплено достаточное число примеров;
– проблема характеризуется большими объемами входной
информации;

– данные неполны или избыточны, зашумлены, частично про-
тиворечивы.
Таким образом, НС хорошо подходят для распознавания образов
и решения задач классификации, оптимизации и прогнозирования.

334