RU2128363C1 - Рефлекторная нейросеть - Google Patents

Рефлекторная нейросеть Download PDF

Info

Publication number
RU2128363C1
RU2128363C1 RU95109396A RU95109396A RU2128363C1 RU 2128363 C1 RU2128363 C1 RU 2128363C1 RU 95109396 A RU95109396 A RU 95109396A RU 95109396 A RU95109396 A RU 95109396A RU 2128363 C1 RU2128363 C1 RU 2128363C1
Authority
RU
Russia
Prior art keywords
neural network
neural
multilevel
elements
level
Prior art date
Application number
RU95109396A
Other languages
English (en)
Other versions
RU95109396A (ru
Inventor
Е.Н. Стадников
В.М. Тарануха
Original Assignee
Таганрогский государственный радиотехнический университет
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Таганрогский государственный радиотехнический университет filed Critical Таганрогский государственный радиотехнический университет
Priority to RU95109396A priority Critical patent/RU2128363C1/ru
Publication of RU95109396A publication Critical patent/RU95109396A/ru
Application granted granted Critical
Publication of RU2128363C1 publication Critical patent/RU2128363C1/ru

Links

Images

Abstract

Изобретение относится к области бионики и вычислительной техники и может быть использовано при построении систем распознавания образов. Технический результат, достигаемый при осуществлении изобретения, состоит в повышении точности моделирования биоритмической организации коррекции синаптических весов. Рефлекторная нейросеть содержит уровни нейроэлементов, которые образуют многоуровневые рецепторную, проприоцепторную, санкционирующую и эффекторную нейросети, представляющие многоуровневую иерархическую структуру связей, синхронизированную распределенными во времени сигналами на всех иерархических уровнях. 14 ил.

Description

Предлагаемое изобретение относится к бионике и вычислительной технике и может быть использовано при построении систем распознавания образов.
Известна нейросеть - "персептрон" (Розенблатт Ф. Принципы нейродинамики. М. : Мир, 1965), содержащая входной слой S-элементов, слои A-нейроэлементов, и выходной слой R-элементов, нейроэлементы в заявляемом техническом решении присутствуют. Недостатком является ограничение точности моделирования, т.к. эта нейросеть не отражает иерархическую структуру мозга.
Причина недостатков - нейросеть не моделирует особенности морфологической структуры мозга.
Известна также нейронная сеть для моделирования механизма зрения (Neural Networks for Machine Vision) PCT/US 86/02556 (26.11.86); IPC: G 06 F 15/68; G 09 K 9/46; G 09 K 9/48; G 09 K 9/62, содержащая блоки: монокулярной предобработки сигналов (MP - Monocular Preprocessed Pixel Signals), системы границ контура (BC - Boundary Contour System), системы деталей контура (FC - Feature Contour System), системы распознавания образов (ORS - Object Recognition System), блок системы распознавания образов присутствует в заявляемой рефлекторной нейросети.
Недостатком является ограничение точности моделирования, т.к. эта нейронная сеть не отражает эффекторных структур мозга.
Причина недостатков - в нейронную сеть для моделирования механизма зрения не включены выходные морфологические структуры реальной нервной системы.
Наиболее близкой к предлагаемой рефлекторной нейросети является "Многослойная нейронная сеть обратного распространения" (Ф. Уоссермен. Нейрокомпьютерная техника. М: Мир, 1992 г., стр. 52-69), содержащая входной "нулевой" слой, слои нейроэлементов и выходной слой, нейроэлементы присутствуют в заявляемом техническом решении.
Недостатком является ограничение точности моделирования, т.к. многослойная нейронная сеть не отражает биоритмические свойства реальной нервной системы.
Причина недостатков - "Многослойная нейронная сеть обратного распространения" не моделирует системоорганизующие сигналы реальной нервной системы.
Задача, на решение которой направлено заявляемое изобретение, заключается в повышении точности моделирования структурно-функциональной организации нервной системы при осуществлении рефлекторной деятельности.
Технический результат, достигаемый при осуществлении изобретения, состоит в повышении точности моделирования биоритмической организации коррекции синаптических весов посредством управляющих системоорганизующих сигналов совместно с распределенными во времени сигналами выделения, как приращений в процессе обучения, так и скорректированных синаптических весов в процессе распознавания образов.
Для достижения указанного технического результата в рефлекторной нейросети, содержащей уровни нейроэлементов, отличающейся тем, что в ней нейроэлементы образуют многоуровневые восходящие рецепторную и проприоцепторную нейросети и многоуровневые нисходящие санкционирующую и эффекторную нейросети, представляющие связанную по вертикали иерархическую структуру с восходящими и нисходящими межуровневыми связями, при этом одна группа входов рефлекторной нейросети соединена с входами нейроэлементов первого уровня по вертикали многоуровневой восходящей рецепторной нейросети, нейроэлементы которой связаны с нейроэлементами соответствующих уровней многоуровневой нисходящей эффекторной нейросети, нейроэлементы многоуровневой восходящей проприоцепторной нейросети связаны с нейроэлементами соответствующих уровней многоуровневой нисходящей санкционирующей нейросети, нейроэлементы многоуровневой восходящей рецепторной нейросети связаны с нейроэлементами многоуровневой нисходящей санкционирующей нейросети с возможностью передачи сигнала коррекции синаптических весов, нейроэлементы многоуровневой восходящей проприоцепторной нейросети связаны с нейроэлементами многоуровневой нисходящей эффекторной нейросети с возможностью передачи сигнала коррекции синаптических весов, на каждом уровне выходы нейроэлементов многоуровневых восходящей рецепторной и нисходящей санкционирующей нейросетей соединены со входами соответствующих схем сравнения, выходы которых и выходы нейроэлементов многоуровневой нисходящей эффекторной нейросети соединены со входами элементов И-ИЛИ, выходы которых соединены с выходами рефлекторной нейросети, выходы нейроэлементов многоуровневой нисходящей эффекторной нейросети и вторая группа входов рефлекторной нейросети соединены со входами нейроэлементов первого уровня по вертикали многоуровневой восходящей проприоцепторной нейросети, в каждой многоуровневой восходящей нейросети выход каждого нейроэлемента предыдущего уровня соединен со входами нейроэлементов следующего иерархического уровня, в каждой многоуровневой нисходящей нейросети вход каждого нейроэлемента предыдущего уровня соединен с выходами нейроэлементов следующего иерархического уровня, в многоуровневых нейросетях соответствующие нейроэлемента предыдущих уровней по вертикали образуют группы нейроэлементов, входы нейроэлементов предназначены для фазовых синхронизированных сигналов.
Причинно-следственная связь между совокупностью признаков заявляемого изобретения и достигаемым техническим результатом заключается в следующем: введение многоуровневых рецепторной (Р), проприоцепторной (П), санкционирующей (С), эффекторной (Э)- нейросетей, представляющих по вертикали иерархическую структуру группы нейроэлементов (вертикальные группы) с восходящими и нисходящими межуровневыми связями, позволяет повысить точность моделирования.
Рефлекторная нейросеть состоит из четырех многоуровневых нейросетей:
-2-х- восходящих, включающих Р и П нейросети;
-2-х- нисходящих, включающих Э и С нейросети.
Алгоритм работы восходящей (Р и П) нейросети на основе вертикальной арифметики (ВА) может быть описан суперпозицией функций с помощью множества ступеней преобразования кодов (нейронов), в виде:
Figure 00000002

Figure 00000003

где γjil - l-разряды двоичных позиционных кодов i-синаптических весов на каждом j-уровне;
Δγji - i-приращения синаптических весов на j-уровне;
αjl - l-разряды двоичных позиционных кодов пороговых коэффициентов на j-уровне;
Y в j - значения выходных сигналов (в виде бинарного кода) нейроэлементов восходящей нейросети на j-уровне (выходные сигналы Р нейросети, либо выходные сигналы Y * j С нейросети);
Xi - i-значение входных сигналов в виде бинарного кода (сигналы внешнего образа, поступающие на вход Р нейросети, либо сигналы, подаваемые на П нейросеть при обучении X * j ) ;
NO - размер массива входных сигналов Xi;
Nj - число нейроэлементов на j-том уровне, находящихся в к-той вертикальной группе;
М - сигнал коррекции синаптических весов длится L-циклов со сдвигом до П;
П - сигнал запоминания скорректированных синаптических весов в конце сигнала М;
Φ l ij/ - l-распределенные во времени фазовые сигналы на (j+1) уровне обусловленные i-фазовыми сигналами j-уровня.
Алгоритм работы нисходящей (С, Э) нейросети ВА может быть описан суперпозицией функцией с помощью множества ступеней преобразований кодов (нейронов) в виде:
Figure 00000004

Figure 00000005

где Y н j - значение выходных сигналов нейроэлементов нисходящей нейросети на j-уровне;
YвI - выходной сигнал нейроэлемента восходящей нейросети, поступающий на все нейроэлементы нисходящей нейросети, находящихся в том же временном кванте;
YвII - выходной сигнал нейроэлемента восходящей нейросети для управления сигналом М симметричным нейроэлементом нисходящей сети, находящимся в том же пространственном и временном кванте;
γ н j - значение синаптических весов нисходящей нейросети на j-уровне.
В рефлекторной нейросети осуществляется пространственно-временное квантование.
Рефлекторная нейросеть имеет фазовую систему синхронизации на всех уровнях вертикальной иерархии. Длительность активной фазы на первом уровне равна длительности цикла, длительность активной фазы на втором уровне -1/4 цикла, на третьем уровне -1/16 цикла и соответственно на четвертом уровне -1/64 длительности цикла и т.д.
Для каждой вертикальной группы - К1 (с четырехкратным уровневым квантованием восходящей нейросети) имеем:
- связь каждого рецептора с каждым из четырех нейроэлементов первого уровня равна синаптическому весу 1/2 (максимальный вес равен 1);
- связь каждого нейроэлемента первого уровня К1 с каждым из четырех нейроэлементов второго уровня равна синаптическому весу 1/4.
Для К2, образованного четырьмя вертикальными группами (содержащего N1= KNО=4•16=64 нейроэлемента), имеем:
- связь каждого рецептора с каждым из 12 нейроэлементов первого уровня других вертикальных групп в пределах К2 равна синаптическому весу 1/4;
- связь каждого нейроэлемента первого уровня с 48 элементами второго уровня других вертикальных групп в пределах К2 равна синаптическому весу 1/8.
Для К3, образованного вертикальными группами четырех К2 (содержащего N2= K2NО=42•16=256 нейроэлемента), имеем:
- связь каждого нейроэлемента первого уровня с 196 нейроэлементами второго уровня вертикальных групп других К2 в пределах К3 равна синаптическому весу 1/16.
На основании изложенного составляется таблица связей нейроэлементов на всех иерархических уровнях рефлекторной нейросети.
Сущность предлагаемого изобретения поясняется чертежами, где на фиг. 1 - блок схема рефлекторной нейросети, на фиг. 2 - Р и Э- нейросети, на фиг. 3 - вертикальная группа восходящей Р-нейросети, на фиг. 4 - вертикальная группа нисходящей нейросети, на фиг. 5 - П и С- нейросети, на фиг. 6 - нейроэлемент, на фиг. 7 - узел суммирования синапсов, на фиг. 8 - четырехвходовый преобразователь кодов, на фиг. 9 - шестнадцативходовой преобразователь кодов, на фиг.10 - схема сравнения результатов вычисления Р и С- нейросетей на первом уровне, на фиг. 11 - схема сравнения результатов вычисления Р и С- нейросетей на втором уровне, на фиг. 12 - восьмидесятивходовой преобразователь кодов, на фиг. 13 - блок управления, на фиг. 14 - временная диаграмма работы рефлекторной нейросети.
Рефлекторная нейросеть (фиг. 1) содержит 11 - 116 - входы приема значений сигналов Xi внешнего образа в виде бинарного кода; 21 -216 - входы приема значений сигналов X * i (желаемого образа - эталона); 31 - 316 - выходы выдачи сигналов Yj в виде бинарного кода; Р-сеть (рецепторная нейросеть); С-сеть (санкционирующая нейросеть); П-сеть - проприоцепторная нейросеть; Э-сеть (эффекторная нейросеть); 19 - схемы сравнения результатов вычисления Р и С- нейросетей на первом и втором уровнях; 20 - узел выделения результатов вычисления Yj;
Φ ∈ {П, М, Из, ТИ,"O", γ, Δγ, α} - вектор управляющих и информационных сигналов;
Φ 0 0 - распределенная во времени фаза нулевого уровня (время одного функционального цикла) (фиг. 14);
Φ l 00 - распределенная во времени l-фаза первого уровня
Figure 00000006

Φ l i1 - распределенная во времени l-фаза второго уровня обусловлена i-ой фазой первого уровня
Figure 00000007

При этом Р-нейросеть связана с С-нейросетью и П-нейросеть связана с Э-нейросетью для передачи сигнала коррекции синаптических весов М, вырабатываемом на основе выходных сигналов симметричных (находящихся в одном и том же пространственно- временном кванте) нейроэлементов Р и П- нейросетей.
Р-нейросеть (фиг. 2) содержит: 11 - 116 - информационные входы приема значений сигналов рецепторов Xi внешнего образа; 51 - 54 - группы элементов И для выделения распределенной во времени фазой Φ 0 0/ входных сигналов Xi; 61 - 664 - нейроэлементы первого уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I 00 4 00 ; 71 - 7256 - нейроэлементы второго уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I II 4 4I .
Э-нейросеть (фиг.2) содержит: 81 - 8256 - нейроэлементы второго уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I II 4 4I ; 91 - 964 - нейроэлементы первого уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I 00 4 00 ; 101 -1016 - элементы И-ИЛИ для выделения фазой Φ 0 0 выходных сигналов; 11 - схема сравнения результатов вычисления Р и С- нейросетей на первом уровне, синхронизированные распределенными во времени фазовыми сигналами
Figure 00000008
12 - схема сравнения результатов вычисления Р и С- нейросетей на втором уровне, синхронизированные распределенными во времени фазовыми сигналами
Figure 00000009

В Р-нейросети (фиг. 2) жирными линиями выделена вертикальная группа К1 (фиг. 3), включающая: 11 - информационный вход приема сигнала Xi; 51 - элемент И, синхронизированный распределенным во времени фазовым сигналом Ф00, обеспечивает связь рецептора 11 синаптическим весом γ = 1/2 со входами нейроэлементов 61 - 64 первого уровня, синхронизированных распределенных во времени фазами Φ I 00 4 00 , в свою очередь каждый из этих нейроэлементов связан синаптическим весом γ = 1/4, со входами нейроэлементов 71 - 74,..., 713 - 716- второго уровня, синхронизированных распределенных во времени фазами Φ I II 4 4I соответственно.
Связи К2 нейроэлементов (11) составляют: выходы рецепторов 12- 14 связаны синаптическими весами γ = 1/4 с входами нейроэлементов 61- 64 (фиг. 2); выходы нейроэлементов 65- 616 связаны синаптическими весами γ = 1/8 с входами нейроэлементов 71- 764 соответственно (на чертеже не показаны).
Связи К3 нейроэлементов (11) составляют: выходы нейроэлементов 617- 664 связаны синаптическими весами γ = 1/16 со входами нейроэлементов 71-7256 соответственно.
Таким образом, нейроэлементы одной вертикальной группы Р-нейросети (фиг. 2), объединенные связями, составляют К1-группу нейроэлементов горизонтальной иерархии. При этом четыре вертикальные группы Р-нейросети, объединенные связями, составляют К2. В свою очередь вертикальные срезы, составляющие четыре К2 и объединенные связями, составляют К3 и т.д.
Вертикальная группа нисходящей нейросети К1 приведена на фиг. 4 (не описан, т.к. вертикальная группа нисходящей нейросети - отражение вертикальной группы восходящей нейросети).
П-нейросеть (фиг. 5) содержит: 21 - 216 - информационные входы приема сигналов X * i (эталона), 131 - 134 - группа элементов И для выделения распределенной во времени фазой Φ 0 0 входных сигналов X * i ; 141 - 1464 - нейроэлементы первого уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I 00 4 00 ; 151 - 15256 - нейроэлементы второго уровня, синхронизированные фазовыми распределенными во времени сигналами Φ I II 4 4I .
С-нейросеть (фиг. 5) содержит: 41 - 416 - выходы результатов вычислений; 161 - 16256 - нейроэлементы второго уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I II 4 4I ; 171 - 1764 - нейроэлементы первого уровня, синхронизированные распределенными во времени фазовыми сигналами Φ I 00 4 00 ; 181 - 1816 - элементы И-ИЛИ выделены распределенной во времени фазой Φ 0 0 результатов С-нейросети.
Нейроэлемент (Пат. SU 1831715A3, кл. G 06 G 7/60, Бюл. N 28, 30.07.93) (фиг. 6) содержит: 21 - элемент ИЛИ; 22, 25 - Д триггера; 23 - регистр с параллельно-последовательной записью информации; 24 - сдвигающий регистр, 26 - трехвходовой сумматор; 27 - элемент И-ИЛИ; 28 - элементы И; 29 - блоки синаптических весов; 30 - узел суммирования синапов; 311 - 31N - входы приема значений входных сигналов; 321 - 32N - входы приема значений синапсов (γ); 331 - 33N - входы приема приращений синапсов (Δγ); 34 - выход выдачи результата нейроэлемента; 351 - 35N - входы приема скорректированных синаптических весов (γ).
Узел суммирования синапсов (фиг. 7) содержит 36 - элементы И; 37 - сдвигающий регистр порогового коэффициента; 38 - преобразователь равновесных кодов в позиционные коды, может быть выполнен: 4-входовым (фиг. 8) для нейроэлементов 61 - 664, 141 - 1464; 16-входовым (фиг. 9) для нейроэлементов 71 - 7256, 81 - 8256, 151 - 15256, 161 - 16256; 80-ти входовым (фиг. 12) для нейроэлементов 91 - 964, 171 - 1764; 39 - многоразрядный сумматор; 40 - элемент НЕ; 41 - Д-триггер; 42 - регистр с параллельной записью информации.
Четырехвходовой преобразователь кодов (фиг. 8) содержит: 2l - входы приема равнозначных кодов; 43 - сумматор по модулю два; 44 - элементы И; 45 - элемент ИЛИ; 2l-2l+2 - выходы выдачи результата преобразователя в позиционном коде.
16-ти входовой преобразователь кодов (фиг. 9) содержит: 2l - входы приема равновесных кодов; 46 - четырехвходовые преобразователи кодов в позиционном коде; 47 - полусумматор; 48 - элемент ИЛИ; 2l-2l+4 - выходы выдачи результата преобразователя в позиционном коде.
Схема сравнения результатов вычислений Р и С - нейросетей на первом уровне (фиг. 10) содержит: Y вII 1.1 -Y вII 1.64 - входы приема результатов вычислений нейроэлементов 61 - 664 Р-нейросети; Y н 1.1 -Y н 1.64 - входы приема результатов вычислений нейроэлементов 171 - 1764- С-нейросети; 49 - элементы И, синхронизированные фазовыми распределенными во времени сигналами Φ 1 00 4 00 ; 50 - элементы ИЛИ; 51 - сдвигающий регистр порогового коэффициента; 52 - преобразователи кодов (16-входовой фиг. 9); 53 - многоразрядный сумматор; 54 - элемент НЕ; 55 - регистр с параллельной записью информации; 56 - Д-триггер; 57 - выход выдачи сигнала разрешения на выделение выходного сигнала Э-нейросети.
Схема сравнения результатов вычислений Р и С - нейросетей на втором уровне (фиг. 11) содержит: Y вII 2.1 -Y вII 2.256 - входы приема результатов вычислений нейроэлементов 71 - 7256 Р-нейросети; Y н 2.1 -Y н 2.256 - входы приема результата вычислений нейроэлемента 161 - 16256- С-нейросети; 58 - элементы И, синхронизированные фазовыми распределенными во времени сигналами Φ 1 11 4 41 ; 59 - элементы ИЛИ; 60 - сдвигающий регистр порогового коэффициента; 61 - преобразователь кодов (16-ти входовой фиг. 9); 62 - многоразрядный сумматор; 63 - элемент НЕ; 64 - регистр с параллельной записью информации; 65 - Д-триггер; 66 - выход выдачи сигнала разрешения на выделение выходного сигнала Э-нейросети.
80-ти входовой преобразователь кодов содержит: 2l - входы приема равновесных кодов; 67 - 16-ти входовые преобразователи кодов; 68 - регистры с параллельной записью информации; 69 - трехвходовые сумматоры; 70 - многоразрядный сумматор; 2l - 2l+6 - выходы выдачи результата преобразователя в позиционном коде.
Блок управления (фиг. 13) содержит: 71 - дешифратор сигналов управления Из И, У"0"; 72, 74 - двоичные счетчики; 73 - дешифратор формирования фаз (Фij); 75 - элементы И-ИЛИ; 76 - Д-триггер; 77 - элемент задержки на длительность импульса П (подкрепление); М' - вход приема внешнего сигнала начала М; ТИ - вход приема тактовых импульсов; М - выход выдачи сигнала М; П - выход выдачи элементом 75 сигналов П с различной длительностью и скважностью между сигналами (настраивается коммутацией в т. a1-b1...an-bn).
Рассмотрим работу рефлекторной нейросети. Предварительно сбрасываются в нуль регистры, триггеры рефлекторной нейросети сигналом Y"0". Затем записываются в регистры 23 нейроэлементов (фиг. 5) в соответствии с таблицей связей рефлекторной нейросети начальные значения синапсов γo. В регистры 37 нейроэлементов, а также в регистры 51, 60 схем сравнения (фиг. 10, 11) записываются начальные значения порогов
Figure 00000010
в дополнительном коде. В процессе обучения на входы 11-116 рефлекторной нейросети (фиг. 1, 2) поступают сигналы Xi распознаваемого образа, на входы 21-216 (фиг. 1, 5) поступают сигналы X * i желаемого образа (эталона), на входы 33i-33N нейроэлементов (фиг. 6) подаются приращения синаптических весов Δγ.
В основу обучения положена биоритмическая организация коррекции синаптических весов по сигналам мотивации (длится L циклов до поступления сигнала П совместно с распределенными во времени фазовыми сигналами Φ l ij выделения приращения синапсов Δγ в каждом нейроэлементе (фиг. 6) Р,П,С,Э - нейросети (фиг. 1, 2, 4). При этом, если выходной сигнал Yj нейроэлемента (фиг. 6) отличен от нуля, то в каждом из блоков 29 элементами И 20 выдается приращение сигналов Δγ по сигналам М и активному фазовому сигналу Φ l ij , а если выходной сигнал Yj=0, то приращения не выдаются, т.к. блокируются элементы И 20 этим выходным сигналом. В первом цикле в каждом из блоков 29 в сумматорах 26 осуществляется поразрядное суммирование приращений Δγ со значением синаптических весов γ, поступающих из регистров 23 через открытые элементы И-ИЛИ 27 сигналом с нулевого выхода триггера 22. Результаты сумматора 26 записываются поразрядно через открытые элементы И 28 и регистры 24 в каждом из блоков 29. В конце цикла триггер 22 устанавливается в единичное состояние по импульсу записи знакового разряда Изн. Во всех последующих (L-1) циклах в сумматорах 26 блоков 29 осуществляется суммирование приращений Δγ со значением синаптических весов γ, поступающих из регистра 24 через открытые элементы И-ИЛИ 27, сигналом единичного выхода триггера 22. В момент поступления сигнала П на вход элемента И 21, выдается последним сигнал перезаписи параллельным кодом информация из регистра 24 в регистр 23 с последующим поразрядным стиранием информации в регистрах 24, т.к. блокируются схемы И 28 сигналом П.
Результаты γj+ΣΔγi из сумматоров 26 каждого блока 29, поступают на входы элементов И блока 30 (фиг. 6, 7). Сформированные элементами И в блоке 30 равновесные разрядные произведения входных сигналов Xi и синаптических весов γj параллельно-поразрядно суммируются в сумматорах 38 и 39 со значением пороговых коэффициентов θ поступающих из выходов регистра 37. Так в первом такте на выходе сумматора 39 (фиг. 7) имеем разрядную сумму
Figure 00000011
которая записывается параллельным кодом со сдвигом в сторону младших разрядов в регистр 42 (фиг. 7).
Во втором такте в сумматоре 39 формируется вторая разрядная сумма в виде:
Figure 00000012

В l-том такте на входе сумматора имеем:
Figure 00000013

При достижении суммы синаптических весов порогового уровня
Figure 00000014

происходят изменения знака результата вычисления. При этом по импульсу знака Изн устанавливает триггер 41 в единичное состояние и результат выдается на выход 34 в виде Yj=1 и наоборот, если
Figure 00000015

то на выходе 34, имеем Yj=0.
При обучении по сигналу М совместно с распределенными во времени фазовыми сигналами Φ l ij (фиг. 14) корректируются синаптические веса в нейроэлементах 61-664, 71-7256 Р-нейросети (фиг. 2) и нейроэлементах 141-1464, 151-15256 П-нейросети (фиг. 5), у которых выходные сигналы Yj ≠ 0.
По сигналу П фиксируются скорректированные синаптические веса только у тех нейроэлементов у которых выходные сигналы Yj ≠ 0, а в остальных нейроэлементах синаптические веса остаются неизменными.
Особенностью рефлекторной нейросети является то, что в режиме обучения выходные сигналы Y вII 1.1 -Y вII 1.64 , Y вII 2.1 -Y вII 2.256 нейроэлементов 61-664, 71-7256 Р-нейросети (фиг. 1, 2) и нейроэлементах 141-1464, 151-15256 П-нейросети (фиг. 1, 5) разрешают формирование сигналов М симметричных (находящихся в одном и том же пространственно-временном кванте) нейроэлементов 91-964, 81-8256 Э-нейросети (фиг. 2) и нейроэлементов 171-1764, 161-16256 С-нейросети (фиг. 5) соответственно. При этом сигналы М вырабатываются только у тех нейроэлементов Э и С- нейросетей, где воспринимаемые сигналы Y вII 1.1 -Y вII 1.64 , Y вII 2.1 -Y вII 2.256 отличны от нуля.
Одновременно выходные сигналы Y вI 1.1 -Y вI 1.64 , Y вI 2.1 -Y вI 2.256 нейроэлементов 61-664, 71-7256 Р-нейросети и нейроэлементов 141-1464, 151-15256 П-нейросети подаются по распределенным фазовым сигналам Φ l ij (фиг. 14) на входы нейроэлементов 91-964, 81-8256 Э-нейросети, нейроэлементов 171-1764, 161-16256 первого и второго уровня соответственно, находящихся в одном и том же временном кванте.
Процедуру обучения необходимо повторить столько раз в каждой фазе Φ l ij пока выходные сигналы Y вI 1.1 -Y вI 1.64 нейроэлементов 71-7256 Р-нейросети будут совпадать с выходными сигналами Y н 2.1 -Y н 2.256 нейроэлементов 161-16256 С-нейросети на втором уровне соответственно.
Сравнение результатов нейроэлементов Р и С- нейросетей (фиг. 2) осуществляется схемами 11, 12 по распределенным во времени фазовым сигналам Φ l ij первом и втором уровнях. Точность сравнения задается записанными в регистры 51, 60 схем сравнения (фиг. 10, 11) порогами на первом и втором уровнях соответственно.
Результаты сравнения в схемах 11, 12 выходных сигналов нейроэлементов Р и С- нейросетей (фиг. 2) служат критерием для разрешения выдачи нейроэлементами Э-нейросети выходных сигналов.
В режиме распознавания образов на входы 11-116 поступают сигналы Xi, а выходные сигналы нейроэлементов Э-нейросети подаются по цепи обратной связи на входы нейроэлементов П-нейросети (фиг. 1, 2). При этом нейроэлементы первого уровня Р, П, С,Э-нейросетей (фиг. 2, 5), находящиеся в активных фазах
Figure 00000016
(фиг. 14) образуют временной плоскостной срез запоминания пространственно-временного образа в общем виде. Нейроэлементы второго уровня, находящиеся в активных фазах Φ I II 4 4I , уточняют отдельные детали пространственно-временного представления образа первого уровня и т.д. Т.о. степень точности представления пространственно-временного образа рефлекторной нейросети определяется последним иерархическим уровнем.
Объединение всех уровней иерархии рефлекторной нейросети дает точное представление пространственно-временного образа.
Введение в устройство новых элементов, соединенных соответствующим образом позволяет повысить точность моделирования реальной структурно-функциональной организации нервной системы за счет биоритмической коррекции синаптических весов, синхронизации нейроэлементов на всех уровнях нейросети, а также благодаря уточнения пространственно-временного образа на всех иерархических уровнях рефлекторной нейросети.

Claims (1)

  1. Рефлекторная нейросеть, содержащая уровни нейтроэлементов, отличающаяся тем, что в ней нейроэлементы образуют многоуровневые восходящие рецепторную и проприоцепторную нейросети и многоуровневые нисходящие санкционирующую и эффекторную нейросети, представляющие связанную по вертикали иерархическую структуру с восходящими и нисходящими межуровневыми связями, при этом одна группа входов рефлекторной нейросети соединена с входами нейроэлементов первого уровня по вертикали многоуровневой восходящей рецепторной нейросети, нейроэлементы которой связаны с нейтроэлементами соответствующих уровней многоуровневой нисходящей эффекторной нейросети, нейроэлементы многоуровневой восходящей проприоцепторной нейросети связаны с нейтроэлементами соответствующих уровней многоуровневой нисходящей санкционирующей нейросети, нейроэлементы многоуровневой восходящей рецепторной нейросети связаны с нейроэлементами многоуровневой нисходящей санкционирующей нейросети с возможностью передачи сигнала коррекции синаптических весов, нейроэлементы многоуровневой восходящей проприоцепторной нейросети связаны с нейроэлементами многоуровневой нисходящей эффекторной нейросети с возможностью передачи сигнала коррекции синаптических весов, на каждом уровне выходы нейроэлементов многоуровневых восходящей рецепторной и нисходящей санкционирующей нейросетей соединены со входами соответствующих схем сравнения, выходы которых и выходы нейроэлементов многоуровневой нисходящей эффекторной нейросети соединены со входами элементов И-ИЛИ, выходы которых соединены с выходами рефлекторной нейросети, выходы нейроэлементов многоуровневой нисходящей эффекторной нейросети и вторая группа входов рефлекторной нейросети соединены со входами нейроэлементов первого уровня по вертикали многоуровневой восходящей проприоцепторной нейросети, в каждой многоуровневой восходящей нейросети выход каждого нейроэлемента предыдущего уровня соединен со входами нейроэлементов следующего иерархического уровня, в каждой многоуровневой нисходящей нейросети вход каждого нейроэлемента предыдущего уровня соединен с выходами нейроэлементов следующего иерархического уровня, в многоуровневых нейросетях соответствующие нейроэлементы предыдущих уровней по вертикали образуют группы нейроэлементов, входы нейроэлементов предназначены для фазовых синхронизированных сигналов.
RU95109396A 1995-06-06 1995-06-06 Рефлекторная нейросеть RU2128363C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU95109396A RU2128363C1 (ru) 1995-06-06 1995-06-06 Рефлекторная нейросеть

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU95109396A RU2128363C1 (ru) 1995-06-06 1995-06-06 Рефлекторная нейросеть

Publications (2)

Publication Number Publication Date
RU95109396A RU95109396A (ru) 1997-05-10
RU2128363C1 true RU2128363C1 (ru) 1999-03-27

Family

ID=20168621

Family Applications (1)

Application Number Title Priority Date Filing Date
RU95109396A RU2128363C1 (ru) 1995-06-06 1995-06-06 Рефлекторная нейросеть

Country Status (1)

Country Link
RU (1) RU2128363C1 (ru)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008072994A1 (fr) * 2006-12-13 2008-06-19 Evgeny Nikolaevich Zakharov Élément neuronal
RU2597504C2 (ru) * 2011-08-16 2016-09-10 Квэлкомм Инкорпорейтед Способ и устройство для нейронного временного кодирования, обучения и распознавания

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
. Ф.Розенблатт. Принципы нейродинамики. - М.: Мир, 1965, с.242 - 247. Каляев А.В., Галуев Г.А. Нейрокомпьютерный СБИС-Системы параллельной обработки зрительной информации. Электронное моделирование. - Киев: Наукова Думка, 1989, N3, с.3 - 6. *
Головкин Б.А. Параллельные вычислительные системы. - М.: Наука, 1980, с.42 - 44, 354. Д.Ивенс. Системы параллельной обработки. - М.: Мир, 1985. С.25, 35. Фет Я.И. Параллельные процессоры для управляющих систем. - М.: Энергоиздат, 1981, с.48 - 49, 97, 127. *
Ф.Уоссермен. Нейрокомпьютерная техника. - М.: Мир, 1992, с.52 - 69. *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008072994A1 (fr) * 2006-12-13 2008-06-19 Evgeny Nikolaevich Zakharov Élément neuronal
RU2597504C2 (ru) * 2011-08-16 2016-09-10 Квэлкомм Инкорпорейтед Способ и устройство для нейронного временного кодирования, обучения и распознавания

Also Published As

Publication number Publication date
RU95109396A (ru) 1997-05-10

Similar Documents

Publication Publication Date Title
Hwang et al. Query-based learning applied to partially trained multilayer perceptrons
Takefuji et al. An artificial hysteresis binary neuron: A model suppressing the oscillatory behaviors of neural dynamics
US5249259A (en) Genetic algorithm technique for designing neural networks
Ranjithan et al. Neural network‐based screening for groundwater reclamation under uncertainty
Bishop Exact calculation of the Hessian matrix for the multilayer perceptron
JP2615422B2 (ja) 時系列学習神経回路素子およびそれを用いた時系列学習神経回路
Yu et al. Traffic prediction using neural networks
Chan et al. Neural network-based dynamic channel assignment for cellular mobile communication systems
Lehmen Factors influencing learning by backpropagation
Nakatsuji et al. Development of a self-organizing traffic control system using neural network models
Park et al. Applications of neural networks in high-speed communication networks
JPH0296707A (ja) 焦点検出装置
Pal et al. Selection of optimal set of weights in a layered network using genetic algorithms
Chiang et al. A divide-and-conquer methodology for modular supervised neural network design
RU2128363C1 (ru) Рефлекторная нейросеть
Bremermann et al. How the brain adjusts synapses—maybe
Morgan et al. Factoring networks by a statistical method
Abe et al. Recognition Can Be Synthesized
Ghorbani et al. Incremental communication for multilayer neural networks
JP3262340B2 (ja) 情報処理装置
EP0577694B1 (en) A neural network and training method
Edmund et al. Traffic prediction using neural networks
JP2580826B2 (ja) フィードバック神経細胞モデル
Li et al. An enhanced training algorithm for multilayer neural networks based on reference output of hidden layer
Luk et al. Parametrised neural network design and compilation into hardware