Нейросетевые когнитивные системы

Прототипами КС с нейросетевой организацией могут быть модульные нейронные сети. Отметим, что модульное строение нервных структур и мозга человека сейчас рассматривается как общий принцип их организации. В искусственных нейросетевых системах модульный принцип позволяет: 1) декомпозировать сложную задачу на ряд более простых подзадач; 2) конкретизировать структуру модульной сети под задачу; 3) повысить быстродействие при работе и обучении по сравнению с классическими полносвязными сетями; 4) улучшить аппроксимационные возможности; 5) упростить аппаратную реализацию сети.

Нейронные модули в таких системах применяются в разных комбинациях. Наиболее используемым является вариант системы на модульных нерсентронах. Такие системы используются для решения задач распознавания сложных объектов (когнитивного восприятия). Реальным примером является система распознавания сложных комбинированных образов. Она имеет иерархическую структуру с одинаковыми модулями типа малоразмерных многослойных персептронов, работающих как локальные классификаторы. Каждый такой модуль обучается отдельно на распознавание частей интегрального образа и композиции этих частей. Применение нескольких связанных модулей в общей иерархической структуре дает лучшие результаты классификации, чем единый персептрон большой размерности. Это можно объяснить тем, что многомодульная система принципиально структурирует знания об интегральном образе и запоминает некоторую априорно фиксированную структуру из элементов знаний в виде нейросетевых отображений. Элементы классифицируются проще и надежнее, чем сразу весь образ.

Иерархическая структура из модулей персептронов формально может быть представлена выражением.

В этой структуре использованы трехслойные персептроны (5М — i-й слой из нейронов без обратных связей с любыми функциями активации) как элементы каждого из L уровней, причем число таких элементов может быть разным (п 1, п2, …, nL) и определяется сложностью структуры обрабатываемого образа.

Аналогично построенные нейросетевые многомодульные структуры могут использоваться для управления поведением сложных многомерных объектов (например, автономных роботов) с прогнозированием и планированием (когнитивное формирование поведений) [12, 13].