Рисунок 10.1 – Информационная среда в обществе ближайшего будущего
Уже сегодня пользователям глобальной вычислительной сети Internet стала доступной практически любая в хранилищах знаний этой сети не конфиденциальная информация.
Электронная почта Internet позволяет получить почтовое отправление из любой точки Земли (где есть терминалы этой сети) через 5 секунд, а не через неделю или месяц, как при использовании обычной почты.
Широкое внедрение средств мультимедиа (аудио- и видеосредств ввода и вывода информации) позволит общаться с компьютером на естественном языке.
Специалисты предсказывают возможность создания компьютерной модели реального мира, такой виртуальной (кажущейся, воображаемой) системы, в которой мы можем активно жить и манипулировать виртуальными предметами.
Простейший прообраз такого кажущегося мира уже сейчас существует в сложных компьютерных играх. Но в будущем можно говорить не об играх, а о виртуальной реальности в нашей повседневной жизни, когда нас в комнате, например, будут окружать сотни активных компьютерных устройств, автоматически включающихся и выключающихся по мере надобности, отслеживающих наше местоположение, постоянно снабжающих нас необходимой информацией, воспринимающих нашу информацию и управляющих многими бытовыми приборами.
Информационная революция затронет все стороны жизнедеятельности, появятся системы, создающие виртуальную реальность:
1. Компьютерные системы – при работе на ЭВМ абоненты по видеоканалу каналу будут видеть виртуального собеседника, активно общаться с ним на естественном речевом уровне с аудио- и видео-разъяснениями, советами, подсказками. «Компьютерное одиночество» так вредно влияющее на психику активных пользователей ЭВМ, исчезнет.
2. Системы автоматизированного обучения – при наличии обратной видеосвязи абонент будет общаться с персональным виртуальным учителем, учитывающим психологию, подготовленность, восприимчивость ученика.
3. Торговля – любой товар будет сопровождаться не магнитным кодом, нанесенным на товарный ярлык, а активной компьютерной табличкой, дистанционно общаться с потенциальным покупателем и сообщающей ему всю необходимую информацию – что, где, когда, как, сколько и почем.
^ 10.1.4 Нейрокомпьютеры и перспективы их развития
Нейрокибернетика – это научное направление, занимающееся изучением организации и функционирования нервной системы живых организмов, которая управляет всеми процессами, протекающими в них, чтобы использовать эти знания при построении технических интеллектуальных систем.
Основная идея нейрокибернетики заключается в следующем: единственный объект, способный мыслить, - это человеческий мозг. Поэтому, любое «мыслящее» устройство должно каким-то образом воспроизводить его структуру.
Таким образом нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре мозга. Физиологами давно установлено, что основой человеческого мозга является большое количество (до 10 21) связанных между собой и взаимодействующих нервных клеток – нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичным нейронам, и их объединении в функционирующие системы. ЭВМ, в которых предполагается широко использовать сети из формальных нейронов, получили название нейрокомпьютеров.
Нейрокомпьютер – это ЭВМ, в основе которой лежит не типовая структура, включающая в себя арифметическое устройство, память, устройство ввода-вывода и управляющее между собой, а нейронная сеть, объединяющая все эти функции в своей структуре.
Основная особенность нейрокомпьютеров, отличающая их от ЭВМ, - это сам способ решения задач . Если для решения задач в ЭВМ обычного типа используются программы, то в нейрокомпьютерах решение задачи достигается путем перенастройки сети за счет адаптивных формальных нейронов и специальных процедур самоорганизации сети. В этом нейрокомпьютеры близки к аналоговым вычислительным машинам. Подобно последним, нейрокомпьютеры обладают огромной скоростью работы, недоступной для обычных ЭВМ.
Внедрению нейрокомпьютеров препятствует отсутствие какой-либо теории, позволяющей программировать процессы самоорганизации нейронных сетей таким образом, чтобы в результате этого процесса решалась нужная задача. Предполагается, что методика такого программирования будет найдена в результате активных исследований, которые ведут специалисты, работающие в области нейрокибернетики, а также путем модификации методов, используемых для решения задач в аналоговых машинах и однородных средах.
^ 10.2 Перспективы развития информационных технологий
С начала 90-х годов прошлого столетия начинают развиваться новые информационные технологии, основанные на работах в области искусственного интеллекта. Это означает, что пользователь, применяя компьютерные технологии, сможет не только получать сведения на основе обработки данных, но и использовать по интересующей его проблеме накопленный опыт и знания профессионалов.
Интеллектуальные системы и технологии применяются для тиражирования профессионального опыта и решения сложных научных, производственных и экономических задач, например, анализ инвестиций, планирование рекламной кампании, прогнозирование рынка. Для обработки и моделирования знаний применяются специальные модели и создаются базы знаний.
Под искусственным интеллектом понимают совокупность аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.
Исследования в области искусственного интеллекта сконцентрированы на разработке и внедрении компьютерных программ, способных имитировать или воспроизводить те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта.
Искусственный интеллект развивается по следующим направлениям:
1. Представление знаний и разработка систем, основанных на знаниях. Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем. В последнее время включает в себя модели и методы извлечения и структурирования знаний.
2. Игры и творчество. Традиционно искусственный интеллект включает в себя игровые интеллектуальные задачи – шахматы, шашки. В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.
3. Разработка естественно-языковых интерфейсов и машинный перевод. В 50-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первая программа в этой области – переводчик с английского языка на русский. Первая идея – пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель, включающая анализ и синтез естественно-языковых сообщений.
4. Распознавание образов. Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.
5. Новые архитектуры компьютеров. Это направление занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных и параллельным компьютерам.
6. Интеллектуальные роботы. Роботы – это электромеханические устройства, предназначенные для автоматизации человеческого труда. Конечная цель развития робототехники – это создание самоорганизующихся, или интеллектуальных роботов. Основная проблема при создании интеллектуальных роботов – проблема машинного зрения.
7. Специальное программное обеспечение. В рамках этого направления разрабатываются специальные языки для решения задач невычислительного плана. Эти языки ориентированы на символьную обработку информации – LISP, PROLOG, РЕФАЛ и др. Создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, или программные инструментарии искусственного интеллекта, например KEE, ARTS. Достаточно популярно создание пустых экспертных систем, или «оболочек», - EXSYS, MI и др., в которых можно наполнять базы знаний, создавая различные системы.
8. Обучение и самообучение. Активно развивающаяся область искусственного интеллекта. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение на примерах, а также традиционные подходы распознавания образов.
Интеллектуальные автоматизированные информационные системы особенно эффективны в применении к трудно формализуемым задачам. Трудно формализуемые задачи – это задачи, в которых трудно выделить все ее элементы и установить между ними связи. Для решения этих задач применяются эвристические процедуры, позволяющие в большинстве случаев получить решение.
Разработка экспертных систем - одно из направлений искусственного интеллекта. Наибольшие практические результаты достигнуты в создании экспертных систем, которые получили широкое распространение и используются при решении практических задач.
Выделим условия, при выполнении которых компьютерную программу можно назвать экспертом:
1. Эта программа должна обладать знаниями.
2. Знания, которыми обладает программа, должны быть сконцентрированы на определенную предметную область и предполагают определенную их организацию и интеграцию.
3. Из этих знаний должно непосредственно вытекать решение проблемы.
Экспертная система – это комплекс компьютерных программ, которые оперируют со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.
Экспертная система может полностью взять на себя функции, выполнение которых требует привлечения опыта человека-специалиста, или играть роль ассистента для человека, принимающего решение. Тот, кто принимает решение, может быть экспертом со своими собственными правами, в этом случае программа может повысить эффективность его работы. Или человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Правильное распределение функций между человеком и машиной является одним из ключевых условий высокой эффективности внедрения экспертных систем.
Экспертная система должна обладать способностью объяснить, почему предложено именно такое решение, и доказать его обоснованность. Пользователь должен получить всю информацию, необходимую ему для того, чтобы быть уверенным в правильности решения. В отличие от этого, исследовательские программы взаимодействуют только со своим создателем, который и так знает, на чем основывается ее результат. Экспертная система проектируется в расчете на взаимодействие с разными пользователями, для которых ее работа должна быть, по возможности, прозрачной, т.е. не требующей специальных знаний.
Из вышесказанного следует, что экспертная система содержит знания в определенной предметной области, накопленных в результате деятельности человека, и использует их для решения проблем, специфичных для этой области. Этим экспертные системы отличаются от традиционных систем, в которых предпочтение отдается более общим и менее связанным с предметной областью теоретическим методам, чаще всего математическим. Процесс создания экспертных систем называют инженерией знаний и он рассматривается в качестве применения методов искусственного интеллекта.
Традиционно считается, что любая экспертная система содержит следующие основные компоненты: базу знаний, интеллектуальный интерфейс с пользователем, программу формирования логических выводов (решатель), подсистему объяснений, интеллектуальный редактор базы знаний.
База знаний – совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на языке, приближенном к естественному). База знаний является ядром экспертной системы.
Интеллектуальный интерфейс пользователя – комплекс программ, реализующих диалог пользователя с экспертной системой как на стадии ввода информации, так и получения результатов.
Программа формирования логических выводов (решатель) - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.
Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?». Ответ на вопрос «как» - пошаговый процесс всего процесса получения решения с указанием использованных фрагментов базы знаний. Ответ на вопрос «почему» - ссылка на умозаключение, непосредственно предшествовавшее полученному решению, т.е. отход на один шаг назад.
Интеллектуальный редактор базы знаний – программа, представляющая инженеру по знаниям возможность создавать базу знаний в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок (Help) и других сервисных средств, облегчающих работу с базой.
Инженер по знаниям – специалист по искусственному интеллекту, выступающий в роли промежуточного буфера между экспертом и базой знаний.
Таким образом, использование новых информационных технологий, создание интеллектуальных автоматизированных информационных систем способствует переходу от индустриального к информационному обществу.
^ 11. Модели решения функциональных и вычислительных задач
11.1 Этапы решения задач на ЭВМ
На ЭВМ могут решаться задачи различного характера, например: научно-инженерные разработки системного программного обеспечения; обучения; управления производственными процессами и т. д. В процессе подготовки и решения на ЭВМ научно-инженерных задач можно выделить следующие этапы:
Постановка задачи;
математическое описание задачи;
выбор и обоснование метода решения;
алгоритмизация вычислительного процесса;
составление программы;
решение задачи на ЭВМ и анализ результатов.
Перечисленные этапы связаны друг с другом. Например, анализ результатов может показать необходимость внесения изменений в программу, алгоритм или даже в постановку задачи. Для уменьшения числа подобных изменений необходимо на каждом этапе по возможности учитывать требования, предъявляемые последующими этапами. В некоторых случаях связь между различными этапами, например, между постановкой задачи и выбором метода решения, между составлением алгоритма и программированием, может быть настолько тесной, что разделение их становится затруднительным.
^ Постановка задачи. На данном этапе формулируется цель решения задачи и подробно описывается ее содержание. Анализируются характер и сущность всех величин, используемых в задаче, и определяются условия, при которых она решается. Корректность постановки задачи является важным моментом, так как от нее в значительной степени зависят другие этапы.
^ Математическое описание задачи . Настоящий этап характеризуется математической формализацией задачи, при которой существующие соотношения между величина, определяющими результат, выражаются посредством математических формул. Так формируется математическая модель явления с определенной точностью, допущениями и ограничениями.
Математическая модель должна удовлетворять по крайней мере двум требованиям: реалистичности и реализуемости. Под реалистичностью понимается правильное отражение моделью наиболее существенных черт исследуемого явления. Реализуемость достигается разумной абстракцией, отвлечением от второстепенных деталей, чтобы свести задачу к проблеме с известным решением. Условием реализуемости является возможность практического выполнения необходимых вычислений за отведенное время при доступных затратах требуемых ресурсов.
^ Выбор и обоснование метода решения . Модель решения задачи с учетом ее особенностей должна быть доведена до решения при помощи конкретных методов решения. Само по себе математическое описание задачи в большинстве случаев трудно перевести на язык машины. Выбор и использование метода решения задач позволяет привести решение задачи к конкретным машинным операциям. При обосновании выбора метода необходимо учитывать различные факторы и условия, в том числе точность вычислений, время решения задачи на ЭВМ, требуемый объем памяти и другие.
Одну и ту же задачу можно решить различными методами, при этом в рамках каждого метода можно составить различные алгоритмы.
^ Алгоритмизация вычислительного процесса . На данном этапе составляется алгоритм решения задачи согласно действиям, задаваемым выбранным методом решения. Процесс обработки данных разбивается на отдельные относительно самостоятельные блоки, и устанавливается последовательность выполнения блоков. Разрабатывается блок-схема алгоритма.
^ Составление программы . При составлении программы алгоритм решения задачи переводится на конкретный язык программирования. Для программирования обычно используются языки высокого уровня, поэтому составленная программа требует перевода ее на машинный язык ЭВМ. После такого перевода выполняется уже соответствующая машинная программа.
^ Отладка программы . Отладка заключается в поиске и устранении синтаксических и логических ошибок в программе.
В ходе синтаксического контроля программы транслятором выявляются конструкции и сочетания символов, недопустимые с точки зрения правил их построения или написания, принятых в данном языке. Сообщения об ошибках выдает программисту, при этом вид и форма выдачи подобных сообщении зависит вида языка и версии используемого транслятора.
После устранения синтаксических ошибок проверяется логика работы программы в процессе ее выполнения с конкретными исходными данными. Для этого используются специальные методы, например, в программе выбираются контрольные точки, для которых вручную рассчитываются промежуточные результаты. Эти результаты сверяются со значениями, получаемыми ЭВМ в данных точках при выполнении отлаживаемой программы. Кроме того, для поиска ошибок могут быть использованы отладчики, выполняющие специальные действия на этапе отладки, например, удаление, замена или вставка отдельных операторов или целых фрагментов программы, вывод или изменение значений заданных переменных.
^ Решение задачи на ЭВМ и анализ результатов. После отладки программы ее можно использовать для решения прикладной задачи. При этом обычно выполняется многократное решение задачи на ЭВМ для различных наборов исходных данных. Получаемые результаты интерпретируются и анализируются специалистом или пользователем, поставившим задачу.
Разработанная программа длительного использования устанавливается на ЭВМ, как правило, в виде готовой к выполнению машинной программы. К программе прилагается документация, включая инструкция для пользователя.
Чаще всего при установке программы на диск для ее последующего использования помимо файлов с исполняемым кодом устанавливаются различные вспомогательные программы (утилиты, справочники, настройщики и т.д.), а также необходимые для работы программы разного рода файлы с текстовой, графической, звуковой и другой информацией.
^ 11.2 Понятие модели, классификация моделей
С понятием «модель» каждый сталкивается с детства. Игрушечный автомобиль, самолет или кораблик для многих были любимыми игрушками. В развитии ребенка, в процессе познания окружающего мира, такие игрушки, являющиеся, по существу, моделями реальных объектов играют важную роль. В подростковом возрасте для многих увлечение авиамоделированием, судомоделированием, собственноручным созданием игрушек, похожих на реальные объекты, оказало влияние на выбор жизненного пути.
Что же такое модель? Что общего между игрушечным корабликом и рисунком на экране компьютера, изображающим сложную математическую абстракцию? И все же общее есть: и в том, и в другом случае мы имеем образ реального явления, «заместителя» некоторого «оригинала», воспроизводящего его с той иной достоверностью и подробностью. Или то же самое другими словами: модель является представлением объекта в некоторой форме, отличной от формы реального существования.
Практически во всех науках о природе, живой и неживой, об обществе, построение и использование моделей является мощным орудием познания. Реальные объекты и процессы бывают столь многогранны и сложны, что лучшим способом их изучения часто является построение модели, отображающей лишь какую-то грань реальности и потому многократно более простой, чем эта реальность, и исследование этой модели. Многовековой опыт развития науки доказал на практике плодотворность такого подхода.
В моделировании есть два заметно разных пути. Модель может быть копией объекта, выполненной из другого материала, в другом масштабе, с отсутствием ряда деталей. Например, это игрушечный кораблик, самолетик, домик из кубиков и множество других натурных моделей. Модель может, однако, отображать реальность более абстрактно - словесным описанием в свободной форме, описанием, формализованным по каким-то правилам, математическими соотношениями и т.д.
Модель – это объект, который замещает оригинал и отражает наиболее важные для данного исследования черты свойства оригинала.
В прикладных областях различают следующие виды абстрактных моделей:
I) традиционное (прежде всего для теоретической физики, а также механики, химии, биологии, ряда других наук) математическое моделирование без какой-либо привязки к техническим средствам информатики;
Операторный метод описания алгоритмов был разработан советским ученым Алексеем Андреевичем Ляпуновым в 1954 году. Операторная схема – аналитическая форма представления алгоритма с помощью операторов, отражающих содержание этапов. Арифметический оператор (вычисление) обозначается в русской транскрипции буквой А, логический – буквой Л, ввод данных – буквой В, печать – буквой П, начало – буквой Н, конец – буквой К.
Порядковый номер оператора, независимо от его типа, обозначается индексом. Операторы записываются в строку, для пояснения схемы переходов после логических операторов ставятся сверху или снизу горизонтальные стрелки, указывающие место перехода. Если операторы выполняются в естественном порядке, между ними не ставится разделитель, если после i-го оператора (i+1)-й не выполняется, между ними ставится разделитель – точка с запятой. Для логических операторов возможно указание условия, по которому программа разветвляется на ветви.
Операторный метод дает наглядное логическое представление алгоритма, однако он был вытеснен графическим способом, который оказался более компактным и наглядным.
При графическом способе представления алгоритм изображается в виде последовательности связанных между собой функциональных блоков, каждый из которых соответствует выполнению одного или нескольких действий.
Такое графическое представление называется схемой алгоритма или блок-схемой . В блок-схеме каждому типу действий (вводу исходных данных, вычислению значений выражений, проверке условий и т.п.) соответствует геометрическая фигура, представленная в виде блочного символа. Блочные символы соединяются линиями переходов, определяющими очередность выполнения действий. Приведем символы, используемые для построения блок-схем (таблица 12.3.1.).
Таблица 12.3.1. – Схемы алгоритмов, программ, данных и систем
Наименование | Символ | Функция |
Терминатор | | Начало или конец |
Процесс | | Обработка данных любого вида |
Данные | | Данные, носитель не определен, указывает ввод и вывод данных |
Предопределенный процесс | | Процедура или функция |
Подготовка | | Цикл с заданным числом повторений |
Решение | | Условный оператор или переключатель |
Соединитель | | Обрыв и продолжение линии |
Первый нейрокомпьютер был создан в конце 50-х годов Ф. Розенблаттом (Корнельский университет г. Итаки, штат Нью‑Йорк). Этот компьютер, получивший название персептрон, использовался для распознавания букв независимо от их положения. ЭВМ Розенблатта была воплощением идеи У. МакКаллока и У. Питтса, у которых нейроны рассматривались как логические устройства.
В 1988 г. с участием фирмы Adaptive Solutions был разработан нейронный компьютер CNAPS . Этот компьютер был создан по SIMD-архитектуре, его сервер содержал 256 обрабатывающих процессоров. Каждый процессор имел свое ЗУ емкостью 4 Кбайт. Производительность компьютера CNAPS достигала 5,12 млрд. коммутаций в секунду. В режиме обучения сервер работал с производительностью 1 млрд. коммутаций в секунду. Каждый алгоритм усваивался компьютером CNAPS за 6 секунд. До конца 1991 г. фирмой было поставлено на рынок около 100 единиц нейрокомпьютера CNAPS.
Компания SNI(Siemens Nixdorf Informations), дочернее предприятие компании Siemens, в сотрудничестве с Маннгеймским университетом в 1994 г. создали нейрокомпьютер под названием SYNAPSE 1 . В дальнейшем на рынок поступили модели SYNAPSE 2 и3 . Сфера применения этих нейрокомпьютеров: распознавание речи, изображений, образов, ускорение работы программных эмуляторов. Обучение нейрокомпьютера занимало около одного часа. Нейрокомпьютер представлял собой многопроцессорную систему с наращиваемой памятью.
В состав SYNAPSE 2 входили:
· один нейрочип МА16 (40 Гц);
· сигнальный процессор TMS320С50 (55 МГц);
· модуль целочисленной обработки на базе TMS320С50 (55 МГц);
· память образов (Y-memore);
· память весов (W-memore).
В нейропроцессоре SYNAPSE 3 имелось два процессора М16, типовая производительность одной нейроплаты SYNAPSE 3 составляла 2,4 млрд.оп/с. В качестве базовых ЭВМ использовались рабочие станции фирмы Sun. Габаритные размеры нейрокомпьютера составляли 667х398х680 мм.
На современном рынке изделия, основанные на использовании механизма действия нейронных сетей, представлены в виде нейроплат. В качестве типичного примера нейроплаты можно назвать плату MB S6232 японской фирмы Fujitsu. На плате размещены процессор цифровой обработки сигналов и оперативная память емкостью 4 Мбайт, что позволяет использовать такую плату для реализации ИНС, содержащей до тысячи нейронов.
Большинство современных нейрокомпьютеров представляют собой просто персональный компьютер или рабочую станцию, в состав которых входит дополнительная нейроплата. К их числу относятся, например, компьютеры серии FMR фирмы Fujitsu. Возможностей подобных систем достаточно для разработки новых алгоритмов и решения большого числа прикладных задач методами нейроматематики.
Отметим отечественные достижения в области построения нейрокомпьютеров. В НТЦ «Модуль» за период с 1989 по 1999 г.г. были разработаны многопроцессорные ускорительные платы МЦ5.001 и МЦ5.002 . Последняя содержит до 6 процессоров TMS320C40, до 20 Мбайт статической памяти на каждый процессор и 64 Мбайт динамической ОП. Общая производительность - до 300 MFLOPS. Плата выполнена в конструктиве VME, что позволяет использовать ее в бортовых системах, расположенных на летательном аппарате.
Несмотря на определенные достижения в области создания нейрокомпьютеров, широкого распространения они не получили. На сегодняшний день экономически выгоднее реализовывать нейроалгоритмы программно на универсальных ЭВМ. Существует достаточное количество программных пакетов (например, Neural Bench ), с помощью которых можно реализовать ИНС под тот или иной алгоритм. Программные ИНС широко используются в системах распознавания текстов (OCR-системах).
Вопросы для самоконтроля
1. Что понимается под термином «нанотехнология»?
2. При каких размерах объектов не действуют законы классической физики?
3. Кем и когда был изобретен сканирующий туннельный микроскоп?
4. Что такое «нанотрубка»?
5. Сколько и какие периоды можно выделить в развитии биокристаллов?
6. Перечислите основные структурные элементы молекулярного компьютера.
7. Что понимается под термином «оптический компьютер»?
8. Перечислите основные элементы гибридной ВС.
9. Что понимается под аббревиатурами: SEED и S-SEED?
10. По каким направлениям в настоящее время ведутся работы по созданию оптической ЭВМ?
11. Что такое квантовый компьютер?
12. Что понимается под термином «кубит»?
13. Изобразите структурную схему квантового компьютера.
14. Перечислите основные требования, предъявляемые к физической среде КК.
15. Что такое криогенная ЭВМ?
16. Что собой представляет нейронная сеть человека?
17. Какие структуры искусственных нейронных сетей используют в настоящее время?
18. Что такое «функция активации»?
19. Как может обучаться нейросеть?
20. Перечислите основные модели нейросетей.
21. Какие основные достижения и перспективы развития нейрокопьютеров?
Литература
1. ANSIx3.253-2002: Information Technology-SCSI-3 Parallel Interface (SPI), X3T10/855D. New York: American National Standarts Institute, 2002.
2. Deutsch D. Quantum computational networks. – Proc. R. Soc. London A 425, 73, 1989.
3. Deutsch D. Quantum theory, the Church-Turing principle and the universal quantum computer. – Proc. R. Soc. London A 400, 97, 1985.
4. Feynman R. Quantum mechanical computers / Optic News, February 1985, 11, p. 11.
5. Hennessy J.L., Patterson D.A. Computer architecture: A Quantitative Approach. 2 nd Edition. Morgan Kaufmann Publishers, San Francisco, CA, USA, 1996.
6. Serial attached SCSI // http://www.fcenter.ru/online.shtml?articles/hardware/hdd/11080
7. Shor P.W. Algorithms for Quamtum Computation: Disrete log and Factoring // Proceedings of the 35 th Annual Symposium on the Foundations of Computer Science, edited by S. Goldwasser, IEEE Computer Society Press, Los Alamitos, CA, 1994, p. 124.
8. Sterling T., Becker D., Savarese D., et al. Beowulf: A Parallel Workstation for Scientific Computation. Proceeding of the 1995 International Conference on Parallel Processing (ICPP). August 1995. Vol. 1. P. 11.
9. Yao A. C.-C. Quantum circuit complexity.//Proceedings of the 34 th Annual Symhosium on the Foundations of Computer Science, IEEE Computer Society Press, Los Alamitos, CA, 1993, p. 352.
10. Акулов Л.В., Борзенко Е.И., Новотельнов В.Н. и др. Теплофизические свойства криопродуктов: учебное пособие для вузов. СПб.: Политехника, 2001. – 243 с.
11. Амамия М., Танака Ю. Архитектура ЭВМ и искусственный интеллект. Пер. с яп. Махарадзе С.О. под ред. Волкова Н.Г. М.: Мир, - 1993. – 400 с.
12. Андрианов А.Н., Ефимкин К.Н., Задыхайло И.Б. Язык Норма. Препринт ИПМ им. М.В. Келдыша АН СССР № 165, 1985.
13. Архитектура портативных компьютеров // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2004, № 3(18). с.4.
14. Барановский В. Raid массивы начального уровня // http://www.citforum.ru/hardware/data/raid/
15. Барский А.Б. Параллельные процессы в вычислительных системах. Планирование и организация. М.: Радио и связь, - 1990. - 255 с.
16. Берман Г.П., Дулен Г.Д., Маньери Р., Цифринович В.И. Введение в квантовые компьютеры. Пер. с англ. Порсева В.Е. под ред. Кокина А.А. М.: Институт компьютерных исследований. 2004.
17. Борзенко А. Технология Super DLT // PCWeek/RE, 2000 г., № 45 (267), с. 26.
18. Бурцев В.С. Новые принципы организации вычислительных процессов высокого параллелизма // Труды Первой Всероссийской научной конференции «Методы и средства обработки информации». М.: МГУ им. М.В.Ломоносова, - 2003 г. С. 17.
19. В свете лазерного луча // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.27.
20. Валиев К.А. Квантовая информатика: компьютеры, связь и криптография // Вестник РАН, 2000, т.70, № 8. сс. 688-705.
21. Валиев К.А. Квантовые компьютеры // Открытые системы, № 5-6, 2000 г. http://www.osp.ru/text/302/178025
22. Валиев К.А., Кокин А.А. Из итогов ХХ века: От кванта к квантовым компьютерам.// Природа, 2002, № 12. сс. 28-34.
23. Васильковский В.А., Котов В.Е., Марчук А.Г., Миренков Н.Н. Автоматизация параллельного программирования. – М.: Радио и связь, - 1983. – 230 с.
24. Вводим изображение // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.59.
25. Виксне П., Фомин Д., Черников В. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов. Изд-во вузов. Сер. Приборостроение. Т. 36, №7. – 1996, с. 13-21.
26. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы управления. 1999. №2. с. 6165.
27. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. №1. с. 40-44.
28. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002 г. 600 с.
29. Воеводин Вл.В. Параллельная обработка данных. Курс лекций // http://www.parallel.ru/info/education/vvv_course.html
30. Воеводин Вл.В., Капитонова А.П. Методы описания и классификации вычислительных систем. М.: Издательство МГУ, - 1994.
31. Волков А.А., Угляренко В.П. Управление распределением вычислительной нагрузки в сетях ЭВМ // Механизация и автоматизация управления. - К.: 1982, - №3, с. 16-19.
32. Вычислительные машины, системы и сети / под. Ред. Пятибратова А.П. М.: Финансы и статистика, 1991. – 399 с.
33. Гаврилкевич М.В. Введение в нейроматематику // Обозрение прикладной и промышленной математики. М.: ТВП, 1994, сс. 377-388.
34. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. №1. сс. 68-82.
35. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН. 1996. 276 с.
36. Графические адаптеры: четвертое поколение // Upgrade: новый уровень ваших компьютеров. М: СК Пресс,- 2005, № 2(21). с.70.
37. Гузик В.Ф., Каляев В.А., Костюк А.И. Организация ЭВМ и систем. Учебное пособие. Таганрог: ТРТУ. – 1999. 144 с.
38. Гук М. Аппаратные средства IBM PC. Энциклопедия. Спб.: Питер. 2006 г. 1072 с.
39. Гуров В.В., Чуканов В.О. Архитектура и организация ЭВМ. Курс лекций // http://www.intuit.ru/department/hardware/archhard2
40. Гусев А.И. Наноматериалы, наноструктуры, нанотехнологии. М.: Изд-во «Физматлит», 2005. 416 с.
41. Дагаев А.А. Союз сильных: новые тенденции международного технологического развития // Рос. Предпринимательство. 2003, №4, сс. 65-70.
42. Денисов О., Нивников Д. Мультимедийные ПК // Компьютер сегодня № 2, 2006. сс. 36-46.
43. Евреинов Э.В., Косарев Ю.Г. Однородные универсальные вычислительные системы высокой производительности. Новосибирск: Наука, - 1966.
44. Егоров А. RAID-массив и резервное копирование // http://www.timcompany.ru/article5.html
45. Забродин А.В., Левин В.К., Сидоров А.Ф., Лацис А.О. и др. Семейство многопроцессорных вычислительных систем МВС-100. М.: ИПМ им. М.В.Келдыша РАН, НИИ «Квант», ИММ УрО РАН, - 1995.
46. Исихара С. Оптические компьютеры. Новый век науки. Пер. с англ. Богдасарова С.В. под ред. Воронцова М.А. М.: Наука, 1992.
47. Каган Б.М. Электронные вычислительные машины и системы. Учебное пособие для вузов. – 2-е издание, переработанное и дополненное. М.: Энергоатомиздат, 1985 г.
48. Кирсанов Э.Ю. Организация ЭВМ и систем. Учебное пособие. – Казань: ТИСБИ, 2002.
49. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / Под ред. А.И. Галушкина. Казань: КГУ. 1995. 131 с.
50. Колисниченко Д. Оптические процессоры // http://dkws.narod.ru/linux/etc/optical/cpu.html
51. Колисниченко О.В., Шишигин И.В. Аппаратные средства PC. – 5‑е издание, переработанное и дополненное. – Спб.: БХВ-Петербург. 2004. - 1151 с.
52. Комарцева Л.Г., Максимов А.В. Нейрокомпьютеры. М.: МГТУ им. Н.Э. Баумана, 2004. 400 с.
53. Коновалов Н.А., Крюков В.А., Михайлов С.Н., Погребцов А.А. Fortran DVM - язык разработки мобильных параллельных программ // Программирование, - 1995. - №1.
54. Копейкин М.В., Спиридонов В.В., Шумова Е.О. Организация ЭВМ и систем (память ЭВМ). Учебное пособие. – Спб.: СЗТУ, 2004. 153 с.
55. Корнеев В.В. Вычислительные системы. – М: Гелиос АРВ, 2004. – 512 с.
56. Корнеев В.В. Параллельные вычислительные системы. – М: Нолидж, 1999. – 512 с.
57. Ларионов А.М., Майоров С.А., Новиков Г.И. Вычислительные комплексы, системы и сети. Ленинград: Энергоатомиздат, - 1987.
58. Лацис А.О. Как построить и использовать суперкомпьютер. М.: Бестселлер, - 2003. - 274 с.
59. Липаев В.В. Распределение ресурсов в вычислительных системах. М.: Статистика, - 1979. - 248 с.
60. Льюис Т. Мэйнфрейм умер. Да здравствует мэйнфрейм! // Открытые системы, 1999 г., № 9-10.
61. Малых Н. Интерфейс IDE // Электронная библиотека компании BiLiM Ltd, http://www.citforum.ru/hardware/
bookide/index.shtml
62. Манин Ю.И. Вычислимое и невычислимое. – М.: Советское радио, 1980.
63. Миренков Н.Н. Параллельное программирование для многомодуль- ных вычислительных систем. М.: Радио и связь, - 1989. - 320 с.
64. Миренков Н.Н. Управление памятью и процессорами в однородной вычислительной системе // Программирование, – 1976. - № 1. – с. 77‑86.
65. Михайлов В.И., Князев Г.И., Макарычев П.П.. Запоминающие устройства на оптических дисках. М.: Радио и связь, 1991, - 221 с.
66. Могилев А.В. и др. Информатика. Учебное пособие для вузов. – М.: Изд. Центр «Академия». 2000. – 816 с.
67. Неволин В.К. Зондовые технологии в электронике. М.: Изд-во «Техносфера», 2005. - 152 с.
68. Неизвестный И.Г. Квантовый компьютер и его полупроводниковая элементарная база // http://psj.nsu.ru/lector/neizvestniy
69. Никитич. А. Разработка устройства для ручного ввода символов в ЭВМ // http://neo-era.net/kb.a.xml
70. Основы вычислительных систем. Учебное пособие // http://256bit.ru/education/infor1/index.htm
71. Патий Е. Шина PCI Express: утопия или общая стандартизация? // Экспресс-электроника, 2005 г., № 1-2.
72. Поздняков Л.А., Храмцов М.Ю. Мобильная система программирования Фортран GNS для многопроцессорных систем с распределенной памятью // Вопросы атомной науки и техники. Сер. Математическое моделирование физических процессов, - 1996. - Вып.4. - с.38-42.
73. Проблемы построения и обучения нейронных сетей / Под ред. Галушкина А.И. и Шахнова В.А. М.: Машиностроение. 1999. 105 с.
74. Пул Ч., Оуэнс Ф. Нанотехнологии. Изд-во «Техносфера», 2004. 328 с.
75. Пьянзин К. Состояние рынка аппаратных средств резервного копирования и архивирования // LAN, 2000 г., № 4.
76. Радужная капель // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 5(24). с.4.
77. Рожденные обслуживать // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2004, № 1(16). с.4.
78. Рыбалкина М. Нанотехнологии для всех. Изд-во « Nanotechnology News Network». 2005 г. - 444 с.
79. Санько С. Квантовые вычисления: зачем это нужно? // Quanta et Qualia, №39, 2002 г. http://www.kv.by/index2002394601.htm
80. Суздалев И.П. Нанотехнология: физико-химия нанокластеров, наноструктур и наноматериалов. Изд-во «Эдиториал УРСС», 2006. – 592 с.
81. Таненбаум Э. Архитектура компьютера. 4-е издание. М.: Питер, -2002. – 698 с.
82. Таненбаум Э., ван Стеен М. Распределенные системы: принципы и парадигмы. М.: Питер, - 2003. – 876 с.
83. Технологии флэш-памяти // http://www.ixbt.com/storage/flash-tech.shtml
84. Типы современных ЖК-мониторов // Upgrade: новый уровень ваших компьютеров. М: СК Пресс,- 2004, № 2(17). с.102.
85. Тихонов В.А. Краткий очерк развития СВТ. Монография. М: в/ч 33965, - 2000. 284 с.
86. Тихонов В.А. Организация ЭВМ и систем (вводная лекция). М.: в/ч 33965. – 2005. – 72 с.
87. Тихонов В.А., Заикин В.В. Перспективные направления в развитии ЭВМ и вычислительных систем. Обзорные лекции. М.: в/ч 33965. – 184 с.
88. Тихонов В.А., Рудаков М.В. Оптические ЭВМ. Состояние и перспективы развития (обзорная лекция). М.: в/ч 33965. – 1999. – 72 с.
89. Тихонов В.А.. Молекулярные ЭВМ (обзорная лекция). М.: в/ч 33965. – 1999. – 37 с.
90. Трахтенгерц Э.А. Введение в теорию анализа и распараллеливания программ ЭВМ в процессе трансляции. – М.: Наука, - 1981. – 254 с.
91. Угрюмов Е.П. Цифровая схемотехника. – Спб.: БХВ. 2000. – 528 с.
92. Уинн Л. Рош. Библия по модернизации персонального компьютера. Минск: Мир науки, 2003. – 208 с.
93. Федичкин Л. Квантовые компьютеры.// «Наука и жизнь», № 1, 2001.
94. Федотов В. Обзор flash-памяти на технологии Intel StrataFlash. Часть 1 // http://www.ixbt.com/storage/flash-theory-p1.shtml
95. Фейнман Р. Моделирование физики на компьютерах. // Квантовый компьютер & квантовые вычисления, том 1, № 2. – Ижевск: ред. журн. регуляр. и хаотич. динам., 1999, с. 96-124.
96. Фортран 90. Международный стандарт. Пер. с англ. С.Г. Дробышевич. М.: Финансы и статистика, - 1998. - 416 с.
97. Французов Д. Оценка производительности вычислительных систем // Открытые системы, - 1996. - №6.
98. Хамахер К., Вранешич З., Заки С. Организация ЭВМ. Спб.: Питер. – 2003. 848 с.
99. Хехт-Нильсен Роберт. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. 1998. №4.
100. Хоар Ч. Взаимодействующие последовательные процессы: Пер. с англ. - М.: Мир, - 1989. – 264 с.
101. Цилькер Б.С., Орлов С.А. Организация ЭВМ и систем: учебник для вузов. – Спб: Питер, 2004. – 668 с.
102. Цифровой звук: реализация // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 1(20). с.20.
103. Цифровой звук: теория // Upgrade: новый уровень ваших компьютеров. М: СК Пресс, - 2005, № 1(20). с.4.
104. Чеботарев А. USB: вчера, сегодня и завтра // http://www.citforum.ru/hardware/articles/usb/
105. Чеканов Д. Реализация стандарта Serial ATA // http://www.3dnews.ru/storage/serial-ata
106. Черняк Л. Шины от ISA до PCI Express // Еженедельник «Computerworld», 2005 г., № 30.
107. Шарф С.В. Планирование прохождения задач на МВС-100 // 6-я конференция «Транспьютерные системы и их применение». Тезисы докладов. Домодедово, - 1996.
108. Щукин Д. Оптические компьютеры. // «Новые технологии». №5, 2001 г.
109. Энциклопедия flash-памяти // http://www.ak-cent.ru/?parent_id=9841
110. Ястребова Е.В. Параллельные алгоритмы и транспьютеры (учебно-методическое пособие). М.: УРСС, - 1997.- 164 с.
111. Яценков В.С.. Азбука CD и DVD: стандарты оптических дисков. Изд-во «Майор», - 2004. 176 с.
112. Ященко А. История развития IDE вплоть до ATA100 // http://www.ixbt.com/storage/ide-till-ata100.html
ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ
CD-ROM 118, 119, 133, 135
dataflow 179, 180, 182, 240
reduction 179, 180
VGA 161, 162, 166
автозагрузчик 138
виртуальный 97
исполнительный 63
физический 97
адресация 64
косвенная 65
непосредственная 64
по содержимому 75, 205
регистровая 65
адресное пространство 76
виртуальное 97
реальное 97
системы ввода-вывода 105
арбитраж 112
архитектура
NUMA 19, 180, 222
RISC 52, 56, 117
SMP 19, 180, 184, 221
гарвардская 11, 50
классическая 47
кластерная 184, 232
набора команд 10
памяти ЭВМ 75
параллельная 178
потоковая 237
принстонская 11
системы 12
систолическая 179, 243
традиционная 47
фон Неймана 47
банк памяти 85
безотказность ЭВМ или ВС 35
библиотека
коммуникационная 196
ленточная 138
биокристалл 251
бисекционная полнота 210
кэш-памяти 92
z-буфер 164
преобразования адресов 99
прерывания 72
состояния процессора 68
структурной живучести графа 217
векторизация программы 190
векторная обработка 190
ветвь параллельной программы 186
видеоадаптер 161
восстановления 38
дополнительное 76
доступа 121
доступа к памяти 75, 83
запуска обмена 209
наработки на отказ 37
обслуживания прерывания 69
ожидания 121
ответа 34, 103
отклика 158
передачи данных 76, 122
послесвечения 157
реакции системы прерывания 69
безотказной работы 38
цикла обращения 76
вычислительная система 9
ассоциативная 205
векторно-конвейерная 200
гибридная оптоэлектронная 255
кластерная 231
массово-параллельная 183, 228
матричная 203
многопроцессорная 22
потоковая 237
сильносвязанная 220
вычислительный комплекс (ВК) 10
гамма-коррекция 159
глубина прерывания 69
головка 121
готовность ЭВМ или ВС 34, 39
зависимости 219
межмодульных связей 215, 219
потоков данных 239
дедлок 219
дейзи-цепочка 71
джойстик 143
диаметр графа 217
дигитайзер 144
дискретизация 166
дисплей 155
дорожка 121
ассоциативный 75, 89, 205
последовательный 75
произвольный 75, 80
прямой 75, 122
прямой к памяти 107
доступность ЭВМ или ВС 35
жесткий диск 120
зависимость по данным 191
задержка 75, 209
закон Амдала 173
обратная 223
сквозная 223
прерывания 67, 106
зерно параллелизма 170
иерархия
интенсивность восстановления 38
интенсивность отказов 37
интерфейс 11
большой 103, 116
малый 103, 118
искусственная нейронная сеть 266
ввода-вывода 105
мультиплексный 109
неразделенный 108
разделенный 108
селекторный 109
картридж 138
каскад коммутатора 211
квантование 166
квантовые вычисления 260
клавиатура 140
классификация
вычислительных систем 22
Дункана 178
карманных ПК 16
мониторов 160
накопителей на оптических дисках 133
ноутбуков 14
отказов 35
параллельных ВС 174
серверов 18
сканеров 146
Флинна 175
когерентность памяти 95, 222
операции 49, 50, 59
прерывания 73
Хэмминга 126
векторные 190
коммутатор
баньян-сети 214
простой 210
распределенный составной 215
составной 211
компьютер
квантовый 259
молекулярный 251
оптический 254
персональный 12
суперкомпьютер 21
конвейерная обработка 199
контроллер
ввода-вывода 105
прямого доступа к памяти 107
контрольная сумма 127
коэффициент
готовности 39
попаданий 77
распараллеливания 173
кэш-память 78, 91
дисковая 79
кэш-строка 92
латентность 76, 209
маршрутизация 218
прерывания 73
волновой 180
дисковый 124
систолический 179, 243
масштабируемость ЭВМ или ВС 41
МВС-100 186, 229
МВС-1000 186, 229, 230
быстрого реагирования 70
доступа к памяти 75
повышения быстродействия памяти 82
помеченного оператора (опорных точек) 70
сквозной записи 96
структурный повышения быстродействия памяти 85
механизм преобразования адресов 92
микропрограмма 49
многопроцессорная вычислительная система 10
модель параллельного
программирования 188
ввода-вывода 103
вычислительный 208, 228
монитор 155
мэйнфрейм 12, 20
надежность ЭВМ или ВС 34
накопитель
на гибких магнитных дисках 123
на жестких магнитных дисках 120
на магнитной ленте 138
на магнитооптических дисках 123
на оптических дисках 131
нанотехнология 248
нанотрубка 250
наработка на отказ 37
насыщение системы прерывания 70
нейрокомпьютер 266
нейрон 268
обработчик прерывания 67, 72
общая шина 105
организация
ввода-вывода
канальная 105, 108
шинная 105, 110
памяти блочная 86
параллельной обработки 170
отказоустойчивость ЭВМ или ВС 36
оценка стоимости ПО 43
ассоциативная 75, 89, 101, 205, 241
виртуальная 76, 97
вторичная 97
оптическая 257
основная (оперативная) 79
первичная 97
физическая 76
параграф 63
парадигма параллельного программирования 186
параллелизм
данных 187
задач 187, 196
скрытый 239
параллельная
архитектура 178
обработка 170
программа 186
перестановочная сеть 207
безусловный 57
вызов процедуры 59
условный 58
персептрон 271, 273
пиксел 157
показатель качества 25
польская запись 55
попадание 77
потоковая ВС 179, 237
прерывание 67, 106
прибор с зарядовой связью (ПЗС) 145
лазерный 152
линейно-матричный 151
матричный 150
струйный 151
термический 155
адресности 47
двоичного кодирования 47
иерархический организации памяти 77
координатный адресации ячеек памяти 80
локальности 77
однородности памяти 47
программного управления 48, 266
принципы
фон Неймана 47
приоритет 112
прерывания 70
программа
прерывающая 67
программный счетчик 47, 49, 57, 73, 237
производительность 26
коммуникационной среды 209
пиковая 28
реальная 29
промах 77, 96
протокол
профилирование 198
процессор
ассоциативный 206
вычислительный 229
графический 162
звуковой 167
оптический 255
потоковый 243
связной 229
управляющий 203
элементарный 203, 269
распределение
множественно-ассоциативное 95
полностью ассоциативное 94
расслоение памяти 86
адреса памяти 87
аккумулятор 55
векторный 202
общего назначения (РОН) 55
редукционные ВС 179
ремонтопригодность ЭВМ или ВС 35
рендеринг 165
решающее поле 208, 228
световое перо 144
сегмент 63, 100
сектор 122
сервер 12, 18
сервер-лезвие 19
вычислительная 9
многопроцессорная 10
обработки данных (СОД) 9
обработки информации (СОИ) 9
прерываний 67
систолизация 245
сканер 144
слово состояния программы (ССП) 68, 73
совместимость и мобильность ПО 42
адресации 49, 51, 59, 63
стандарт
спецификация-99 13
стекер 138
столбец 80
страница 63, 98
стратегия
выборки 92
замещения 92, 96
обновления ОП 92
размещения 92
стример 138
структурирование буферного пула 219
схема параллелизма 186, 238
счетчик команд 47
векторов прерывания 72
страниц 99
текстурирование 165
прерывания 67
точность информации 36
транзакция 111
транспьютер 183, 228, 229
указатель команды 47
управление
вводом-выводом 105
вычислительными ресурсами 233
коммутаторами 218
прерывания 72
ускорение счета 173
устройство
арифметико-логическое 48
запоминающее 75
ассоциативное 89, 205
внешнее 120
оперативное (ОЗУ) 79
постоянное (ПЗУ) 80
сверхоперативное (СОЗУ) 78
управления 48
фирма-производитель
Acorn Computers 17
Analog Devices 231
Burroughs 55, 89, 203
Cray Research 22, 28, 183, 200, 229
DEC 27, 56, 119, 198
Fujitsu 221, 265
Hewlett Packard 55, 56, 152, 221
Hitachi 20, 221, 265
IBM 20, 27, 30, 42, 52, 53, 56, 91, 109, 116, 119, 161, 182, 221, 229, 265
Inmos 55, 183, 228, 229
Intel 15, 30, 53, 54, 61, 116, 119, 183, 221, 229
Microsoft 17, 119
NEC 14, 119, 221, 265
Nothern Telecom 119
Palm Computing 17
SGI 14, 117, 166, 221
Sun Microsystems 14, 53, 56, 221
Texas Instruments 54, 231
U.S. Robotics 17
Флэш-память 135
команды 59
команды 51
фотоэлектронный умножитель 145
фрагментация памяти 97
активации 269
готовности 39, 40
цветовая температура 159
цена обмена 209
центральная часть ЭВМ 47
графа межмодульных связей 219
команды 50
цилиндр 121
частота отказов 38
чередование адресов 86, 125
шейдер 165
USB 119, 122, 138
асинхронная 112
локальная 111
синхронная 112
системная 111
шпиндель 120
криогенная 263
молекулярная 251
настольная 12
настольная
настольная
портативная 12, 14
карманный ПК 16
ноутбук 14
супер-ЭВМ 12, 21
управляющая 228
эталонная 29
экономичность ЭВМ или ВС 43
электронно-лучевая трубка 155
запоминающий (ЗЭ) 80
процессорный (ПЭ) 203, 243
Эльбрус 185
энергонезависимость 76
эффективность ЭВМ или ВС 26
микросхемы памяти 80, 83
ярусно-параллельная форма программы 171
Построение модели структуры расходов семьи.
4. Перспективы развития нейрокомпьютеров.
Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.
Эти интеллектуальные изобретения существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.
Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):
· Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.
· Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.
Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия), процессор NeuroMatrix. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение». С технической точки зрения сегодняшние нейрокомпьютеры - это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.
Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. «Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.»
Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.
В нейрокомпьютинге постепенно созревает новое направление, основанное на соединении биологических нейронов с электронными элементами. По аналогии с Software (программное обеспечение - «мягкий продукт») и Hardware (электронное аппаратное обеспечение - «твёрдый продукт»), эти разработки получили наименование Wetware «влажный продукт».
В настоящее время уже существует технология соединения биологических нейронов со сверхминиатюрными полевыми транзисторами с помощью нановолокон (Nanowire). В разработках используется современная нанотехнология. В том числе, для создания соединений между нейронами и электронными устройствами используются углеродные нанотрубки.
(Распространено также и другое определение термина «Wetware» - человеческий компонент в системах «человек-компьютер».)
5. Заключение
Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки.
Такие системы основывались на высокоуровневом моделировании процесса мышления на обычных компьютерах. Скоро стало ясно, чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т. е. перейти от программной реализации процесса мышления к аппаратной.
Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход.
Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы).
Основу нейросетей составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга - искусственные нейроны. Нейрон обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом, который по физическому смыслу эквивалентен электрической проводимости в электрических связях.
Для решения отдельных типов задач существуют оптимальные конфигурации нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом слоев нейронов. Одной из важных особенностью нейронной сети является возможность к обучению. Обучение нейросети может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы нейросети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. После обучения на достаточно большом количестве примеров можно использовать обученную сеть для прогнозирования, предъявляя ей новые входные значения. Это важнейшее достоинство нейрокомпьютера, позволяющие ему решать интеллектуальные задачи, накапливая опыт.
Список используемой литературы
1. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90-е годы) // Нейрокомпьютер. 2000. № 1
2. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка и применение. 2000. № 1.
В докладе второй половины 2000-х представлен краткий обзор аппаратных реализаций нейрокомпьютеров в России
и перспективы
их развития.
Необходимость изменения последовательной Фон-неймановской архитектуры классических вычислений диктовалось все возрастающими требованиями к вычислительным
ресурсам со стороны
новых сложных задач, которые возникали в связи
с развитием
перспективных технологий.
Нейросетевые технологии являются одним из наиболее
интенсивно развиваемых направлений определения и реализации
параллельных вычислений. Эти технологии
позволяют не только
более эффективно решать старые сложные задачи, но и позволяют
реализовывать плохо формализуемые или неформализованные задачи, решение которых ранее не представлялось
возможным.
Соответственно, аппаратная реализация нейросетевых алгоритмов изменяет логическую основу вычислительной математики и является
естественным стремлением получить требуемую производительность.
Практическая реализация аппаратной поддержки нейросетевых вычислений зависит от требований
конкретной задачи и возможна
лишь в том
случае, когда все другие подходы не могут
быть использованы. В основном,
аппаратная реализация требуется тогда, когда параллельные нейросетевые алгоритмы не могут
быть достаточно эффективно реализованы с помощью
традиционных вычислительных средств, включая кластерные конфигурации.
С самого начала использования нейросетевых подходов к решению
отдельных задач (более 40 лет
назад) проблемам их аппаратной
реализации уделялось большое внимание, т.к. значительные вычислительные мощности, не говоря
о кластерных
конфигурациях, были не доступны.
Рост производительности и новые
архитектурные решения реализации вычислений только увеличили внимание к данной
проблеме, привлекая к ее решению
все новые технические средства от использования
аналоговых операционных усилителей до применения
FPGA большой интеграции как основы для реализации фрагментов нейронных сетей. Соответственно, росла производительность аппаратной поддержки нейросетевых вычислений.
В работе описаны основные аппаратные реализации нейрокомпьютеров с начала
их существования
(50-ые годы) до 2000 г.
За эту книгу автору присуждена Премия Правительства Российской Федерации за 2002 г.
Отмечено, что необходимость в аппаратной
поддержке нейровычислений возникала каждый раз тогда, когда программная реализация нейрокомпьютеров на универсальных
ЭВМ не удовлетворяла
требованиям заказчика по времени вычислений или весам и габаритам.
Первыми аппаратными реализациями нейрокомпьютеров в России,
выполненными еще в конце
60-ых годов прошлого столетия были реализации в виде
аналоговых блоков с сетью
настраиваемых резисторов и блоком
настройки (вычисления значений коэффициентов), реализуемом на универсальной
цифровой ЭВМ.
Первая такая реализация, выполненная в виде
двух аналоговых вычислительных машин МН-4 и специализированного
блока, была сделана в 1968 г.
и логически
представляла собой трехслойную нейронную сеть.
Реализация 1970 г.
ориентированная на распознавание
объектов по характеристикам отраженного радиолокационного сигнала представляла собой более сложную нейронную сеть.
Вариант простой трехслойной нейронной сети, ориентированной на два
класса образов и пять
признаков, предназначался для решения задач медицинской диагностики (1972 г.). Более сложный вариант 1974-ого г. исполнения, был реализован в виде
настольного блока с выносным
пультом индикации.
В те же
годы был реализован макетный образец континуального (с континуумом
признаков) аналогово-цифрового нейрокомпьютера, ориентированного на распознавание
по форме реограмм.
При решении задачи распознавания периодических сигналов по форме, аналогово-цифровое преобразование приводило к значительной
размерности пространства признаков (число дискрет на периоде
существования сигнала), и следовательно
к резкому
усложнению цифровой части нейрокомпьютера.
Еще в 70-ые годы профессором А.И. Галушкиным
было предложено, используя предельный переход: реализовать нейроны первого слоя аналого-цифрового нейрокомпьютера. Эта схема
была использована для реализации в середине
70-ых годов аналогового нейрокомпьютера для распознавания патологических реограмм с получением
весовых функций на универсальной
ЭВМ обработкой архива реограмм. Далее отмечено, что этот принцип был успешно использован через 20 лет
на базе
современной технологии микроэлектроники при реализации более современного нейрокомпьютера, предназначенного для распознавания сигналов по форме.
Активное развитие микропроцессоров в период
с 1975 по
1987 гг.
приостановило линию аппаратной реализации нейрокомпьютеров, т.к. наиболее эффективной в эти
годы была программная реализация нейрокомпьютеров на микропроцессорах.
Однако в середине
80-ых годов развитие технологии микроэлектроники и высоких
технологий, ставящих все более и более
сложные задачи, привело к очередному
всплеску развития нейрокомпьютеров уже с аппаратной
реализацией групп нейронов в кристалле.
Переходными здесь были микропроцессорные реализации нейрокомпьютеров в виде
специализированных вычислительных систем с архитектурой,
адаптированной к нейросетевым
операциям (вычислениям). Типичным примером такой разработки был отечественный нейрокомпьютер “Геркулес”.
В начале 90-ых годов экономическая ситуация в России
привела к необходимости
практически полного отказа от технологии
заказных СБИС при реализации нейрочипов. Разработчики пытались сохранить научно-технический потенциал в этой
области, используя технологию полузаказных СБИС, базовых матричных кристаллов (БМК) и программируемых
логических интегральных схем (ПЛИС).
Были сделаны попытки реализовать нейрочипы и нейроплаты
на отечественных
БМК “Исполин 60Т” и “Такт 100Т”. В середине
90-ых годов в Научном
центре нейрокомпьютеров для реализации нейрочипов, нейроплат и нейроблоков
была окончательно выбрана линия использования ПЛИС (FPGA фирмы Xilinx). Были реализованы
нейрочипы, нейроплаты и нейроблок
на FPGA
объемом 400 тысяч
вентилей на кристалле.
В настоящее
время ведутся работы использованию для этих целей FPGA Virtex 2 Pro
объемом 6-10 млн.
вентилей на кристалле.
Параллельно с этим
была реализована разработка континуального нейрокомпьютера для распознавания сигналов по форме в виде
трехслойной нейронной сети. Первый слой содержал восемь континуальных аналого-цифровых
нейронов с весовой
функцией, загружаемой в аналоговый
умножитель из ПЗУ
через ЦАП.
В настоящее время уделяется значительное внимание анализу состояния и определению
перспектив разработок нейрочипов во всем
мире. К наиболее
важным направлениям этих работ можно отнести:
- цифровые нейрочипы;
- аналоговые и аналого-цифровые нейрочипы;
- клеточные нейрочипы;
- нейрочипы с частотно-импульсной модуляцией сигналов;
- специализированные нейрочипы;
- оптические и оптоэлектронные нейрочипы.
При этом важной задачей является поиск для реализации практических задач, требующих для своего решения аппаратной поддержки в виде
нейроплат и нейроблоков
на базе
нейрочипов. Это наиболее
сложные задачи, инициируемые развитием высоких технологий и которые
невозможно решить вычислительными системами других типов при наличии реальных ограничений на время
решения и объемы
и веса
вычислительной системы.
Литература
1. Галушкин А.И. Нейрокомпьютеры.
Серия “Нейрокомпьютеры и их применение”
книга 3, Изд-во
“Радиотехника”, М., 2002 г.
Об авторе: НИИ автоматической аппаратуры Научный центр нейроком,
Материалы международной конференции SORUCOM 2006 (3–7 июля
2006 года)
Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования
«Финансовый университет при Правительстве Российской Федерации»
«Разработка, применение и перспективы развития нейрокомпьютеров»
Выполнила:
студентка гр. М1-1
Жилякова А.И.
Проверил:
3.1. Преимущества и недостатки. 8
3.2.1. Сферы применения 10
3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности. 11
1. Введение
Автор реферата, не претендуя на исчерпывающее изложение темы, в рамках небольшой работы, поставила цель изучить такое новшество в техническом мире, как нейрокомпьютеры, последовательно раскрывая историю их разработки, применение и перспективы развития.
Выбор пал на данную тему из-за ее актуальности. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.
2. История нейрокомпьютеров.
Нейрокомпьютер - устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.» Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.
Приведем некоторые наиболее устоявшиеся определения нейрокомпьютера.
Научное направление | Определение нейровычислительной системы |
|
Математическая статистика | Нейрокомпьютер - это вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения. |
|
Математическая логика | Нейрокомпьютер - это вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида - нейронов, с полным отказом от булевых элементов типа И, ИЛИ, НЕ. |
|
Пороговая логика | Нейрокомпьютер - это вычислительная система, алгоритм решения задач в которой представлен в виде сети пороговых элементов с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых элементов и их входного пространства |
|
Вычислительная техника | Нейрокомпьютер - это вычислительная система с MSIMD архитектурой, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами. |
|
Медицина (нейробиологический подход) | Нейрокомпьютер - это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях). |
|
Экономика и финансы | Устоявшегося определения нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение “бизнес”-транзакций. |
Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).
Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.
Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.
3.2. Практическое применение нейрокомпьютеров.
3.2.1. Сферы применения
Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства:
Управление в режиме реального времени: самолетами, ракетами и
технологическими процессами непрерывного производства (металлургического, химического и др.);
Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);
Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;
Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.
Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.
Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:
1. Большие универсальные компьютеры построенные на множестве нейрочипов.
2. Нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутренними связями. Что - то типа “Черного ящика”, по принципу которого он и работает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.
3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.
Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей.
Задача | Пример использования нейрокомпьютеров |
Прогнозирование временных рядов на основе нейросетевых методов обработки | Валютный курс, спрос и котировки акций, фьючерсные контракты и др. |
Прогнозирование банкротств на основе нейросетевой системы распознавания | Составление прогнозирующих отчетов |
Применение нейронных сетей к задачам биржевой деятельности | Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия |
Прогнозирование экономической эффективности финансирования экономических и инновационных проектов | Предсказание результатов вложений |
2. Страховая деятельность банков.
Оценка риска страхования инвестиций на основе анализа надежности проекта
Оценка риска страхования вложенных средств
Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности.
3. Прогнозирование банкротств на основе нейросетевой системы распознавания.
Анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да. нет)
Анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).
Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.
4. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.
Выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели
Предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов
Распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания
Определение соотношения котировок и спроса
Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. «Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях.»
5. Применение нейронных сетей к задачам анализа биржевой деятельности.
Нейросетевая система распознавания всплесков биржевой активности - анализ деятельности биржи на основе нейросетевой модели
Предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний - нейросетевая система выделения трендов по методикам <японских свечей> и других гистографических источников отображения информации
Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов).
6. Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.
Предсказание на основе анализа реализованных ранее проектов;
Предсказание на основе соответствия предлагаемого проекта экономической ситуации
В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.
7. Предсказание результатов займов.
Определение возможности кредитования предприятий
Предоставление кредитов и займов без залога
Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами.
8. Общие приложения нейронных сетей
Применение нейронных сетей в задачах маркетинга и розничной торговли
Одно из самых <модных> применений нейрокомпьютеров в финансовой области. Один из решаемых вопросов - установление цены на новый вид товара на основе многокритериальной оценки.
Моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий
Моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа
Построение модели структуры расходов семьи.
4. Перспективы развития нейрокомпьютеров
Многолетние усилия многих исследовательских групп привели к тому, что к настоящему моменту накоплено большое число различных «правил обучения» и архитектур нейронных сетей, их аппаратных реализаций и приёмов использования нейронных сетей для решения прикладных задач.
Эти интеллектуальные изобретения существуют в виде «зоопарка» нейронных сетей. Каждая сеть из зоопарка имеет свою архитектуру, правило обучения и решает конкретный набор задач. В последнее десятилетие прилагаются серьёзные усилия для стандартизации структурных элементов и превращений этого «зоопарка» в «технопарк»: каждая нейронная сеть из зоопарка реализована на идеальном универсальном нейрокомпьютере, имеющем заданную структуру.
Основные правила выделения функциональных компонентов идеального нейрокомпьютера (по Миркесу):
· Относительная функциональная обособленность: каждый компонент имеет чёткий набор функций. Его взаимодействие с другими компонентами может быть описано в виде небольшого числа запросов.
· Возможность взаимозамены различных реализаций любого компонента без изменения других компонентов.
Постепенно складывается рынок нейрокомпьютеров. В настоящее время широко распространены различные высокопараллельные нейро-ускорители (сопроцессоры) для различных задач. Моделей универсальных нейрокомпьютеров на рынке мало отчасти потому, что большинство из них реализованы для спецприменений. Примерами нейрокомпьютеров являются нейрокомпьютер Synapse (Siemens, Германия), процессор NeuroMatrix. Издаётся специализированный научно-технический журнал «Нейрокомпьютеры: разработка, применение». С технической точки зрения сегодняшние нейрокомпьютеры - это вычислительные системы с параллельными потоками одинаковых команд и множественным потоком данных (MSIMD-архитектура). Это одно из основных направлений развития вычислительных систем с массовым параллелизмом.
Искусственная нейронная сеть может передаваться от (нейро)компьютера к (нейро)компьютеру, так же как и компьютерная программа. Более того, на её основе могут быть созданы специализированные быстродействующие аналоговые устройства. «Выделяются несколько уровней отчуждения нейронной сети от универсального (нейро)компьютера: от сети, обучающейся на универсальном устройстве и использующей богатые возможности в манипулировании задачником, алгоритмами обучения и модификации архитектуры, до полного отчуждения без возможностей обучения и модификации, только функционирование обученной сети.»
Одним из способов подготовки нейронной сети для передачи является её вербализация: обученную нейронную сеть минимизируют с сохранением полезных навыков. Описание минимизированной сети компактнее и часто допускает понятную интерпретацию.
|