Neironu tīkli - tie ir skaitļošanas modeļi, kuri balstās principiem, līdzīgiem smadzeņu uzbūves principiem, un kuri paredzēti smadzeņu risināmo problēmu atrisināšanai. Zīdītājiem bioloģiskie neironu tīkli ir formēti no neironiem, kuri paši par sevi ir samērā sarežģīti bioloģiski objekti. Liels skaits apvienotu neironu pamato dzīvnieku sarežģīto uzvedību. Šajā darbā apskatītie mākslīgie neironu tīkli ir daudz vienkāršāki un labāk izpētīti. Bet tomēr, tie ir spējīgi atrisināt dažus pietiekami sarežģītus uzdevumus - atpazīt audio un vizuālos tēlus, aproksimēt funkcijas, veikt dažu veidu prognozes un vadīt.
Pētījumi mākslīgo neironu tīklu sfērā pārdzīvojuši trīs aktivācijas periodus. Pirmo uzplaukumu 40.gados izraisīja MakKaloka un Pitsa pionieru darbs. Otrais bija 60.gados, balstoties uz Rozenblata perceptrona tuvinājuma teorēmu un Minska ‑ Peiperta darbu, kurš norādīja vienkāršākā percetrona ierobežotās iespējas. Minska ‑ Peiperta rezultāti noslāpēja tā pētnieku vairuma entuziasmu, kuri strādāja skaitļošanas zinātņu jomā. Radies klusums ilga gandrīz 20 gadus. No 80.gadu sākuma mākslīgie neironu tīkli no jauna piesaistīja pētnieku uzmanību. Verboss piedāvāja atgriezeniskās izplatības algoritmu daudzslāņu perceptrona apmācībai, kurš kļuva pazīstams 1986.gadā.
Uz šodienu eksistē divas pieejas realizējot mākslīgos neironu tīklus: aparātrealizācija un programrealizācija. Daudzas pazīstamas firmas ražo elektroniskos komponentus (mikroshēmas un veselas plates), kuras aparātlīmenī realizē mākslīgā neironu tīkla modeli. Pie otras pieejas, neironu tīklu modelē speciāla programma, kura darbojas uz parasta (iespējams, personālā) datora. Aparātnodrošinājuma un programnodrošinājuma tirgos eksistē pietiekami liels skaits neironu tīklu kā aparāt, tā arī programmemulatoru, bet tie visi izceļas ar savu augsto cenu, kas padara tos nepieejamus vairumam lietotāju.
Mūsdienās mākslīgie neironu tīkli tiek aktīvi izmantoti visās cilvēka darbības sfērās: militārajā, politikā, ekonomikā u.c.
Dotā darba mērķis ir apskatīt neironu tīklu funkcionēšanas principus, apskatīt to veidus, vairāku neironu tīklu modeļu izveidošana un apmācība, lai noskaidrotu to praktisko derīgumu atrisinot dažādus uzdevumus.
Galvenais dotā darba mērķis bija neironu tīkla izveidošana, kurš ir spējīgs funkcionēt uz spēcīga datora un tā apmācība atpazīt fjučersu tirgus trenda pagriešanos. Savlaicīga trenda pagriešanās atpazīšana ļauj izvēlēties visveiksmīgāko biržas spēles stratēģiju un līdz ar to rast praktisku pielietojumu ekonomikas sfērā.
Ilgstošais evolūcijas periods cilvēka smadzenēm ir devis daudz īpašību, kuru nav nedz mašīnām ar fon Neimana arhitektūru, nedz arī mūsdienīgajiem paralēlajiem datoriem. Tās būtu:
masveida paralēlisms;
sadalīta informācijas un skaitļošanas attēlošana;
spēja mācīties un spēja vispārināt;
adaptivitāte;
spēja kontekstuāli apstrādāt informāciju;
tolerance pret kļūdām;
Var pieņemt, ka ierīcēm, kas uzbūvētas pēc tādiem pašiem principiem kā bioloģiskie neironi, piemitīs uzskaitītās īpašības.
Mūsdienu ciparu skaitļojamās mašīnas pārspēj cilvēka ciparu un simbolu skaitļošanas veiktspēju. Tomēr cilvēks bez piepūles var risināt ārējo datu uztveršanas uzdevumus (piemēram, pazīt pūlī tikko pazibējuša cilvēka seju) ar tādu ātrumu un precizitāti, ka pats jaudīgākais dators pasaulē salīdzinājuma ar viņu šķiet bezcerīgs cietpauris. Kāds ir tik būtiskas ražīguma atšķirības iemesls? Bioloģiskās neironu sistēmas arhitektūra pilnīgi atšķiras no fon Neimana mašīnas arhitektūras (tabula 1.1.), un tas būtiski iespaido funkciju tipus, kurus katrs modelis izpilda visefektīvāk.
Līdzīgi bioloģiskajai neironu sistēmai mākslīgais neironu tīkls ir skaitļošanas sistēma ar milzīgu daudzumu paralēli funkcionējošu vienkāršu procesoru ar daudziem sakariem. Mākslīgo neironu tīklu modeļi kaut kādā ziņā atveido cilvēka smadzenēm raksturīgus “organizācijas” principus. Bioloģiskas neironu sistēmas modelēšana, izmantojot mākslīgo neironu tīklu, var veicināt bioloģisko funkciju labāku izpratni. Tādas ražošanas tehnoloģijas kā VLSI (superaugsts integrācijas līmenis) un optiskā aparatūra šādu modelēšanu padara iespējamu.
Dziļāka mākslīgo neironu tīklu izpēte prasa neirofizioloģijas zināšanu, zinātnes par izziņu, psiholoģijas, fizikas (statiskās mehānikas), vadīšanas teorijas, skaitļošanas teorijas, mākslīgā intelekta problēmu, statistikas un matemātikas, tēlu atpazīšanas, datoru redzes, paralēlās skaitļošanas un aparatūras (datu / analogās / VLSI / optiskās) izpēti. …
