в 1897 году предложил понятие «синапс» и привел доказательства существования синапсов. Шеррингтон (как и Дж. Экклс) был верующим человеком и держался идеалистических взглядов на мир, его взгляды в СССР были мало известны, в основном их упоминали в связи с полемикой Ч. С. Шеррингтона и И. П. Павлова о природе сознания и теории рефлексов.
Наиболее популярной гипотезой о природе памяти в нейрофизиологии и сегодня является идея о том, что при работе синапсов их проводимость увеличивается. Поэтому многие нейрофизиологи опираются на предпо- ложение о том, что память и накопление информации связаны с изменениями в синапсах. Большинство современных нейрокибернетических моделей мозга исходит из этих представлений. В основе таких моделей лежит «нейрон Мак-Каллоха – Питтса» (1943), фактически – пороговый триггер со многими входами.
Нейрон Мак-Каллока – Питтса
В 1943 г. Уоррен Мак-Каллок и Уолтер Питтс предложили модель нейрона, обладающую следующими свойствами:
– нейрон имеет несколько входов и один выход
– через входы (j) нейрон принимаетвходные сигналы (xj)
– входные сигналы умножаются навесовой коэффициент (wj) и суммируются
– выходной сигнал нейрона – нелинейная функция f (S),
называемая активационной. Обычно φ – это функция Хевисайда.
Было установлено, что НС могут выполнять любые логические операции и любые преобразования, реализуемые дискретными устройствами с конечной памятью.
Эта модель легла в основу теории логических сетей и конечных автоматов и активно использовалась психологами и нейрофизиологами при моделиро- вании некоторых локальных процессов нервной деятельности.
Персептрон Розенблатта
Идея Мак-Каллока – Питтса была реализована Фрэнком Розенблаттом в 1958 г. в виде компьютерной программы, а в 1960 г. в виде электронного устройства, моделирующего сетчатку человеческого глаза. Позже М. Минский и С. Пайперт в своей книге «Персептроны» строго математически доказали, что однослойные персептроны в принципе не способны решать многие простые задачи. Многие понимали, что надо усложнять структуру персептронов, и были разработаны «многослойные персептроны»
Задачи, решаемые с помощью нейросетей
– если есть математическая модель какого-то процесса, то изучая влияние входных параметров на выходные, можно решить задачу оптимизации моделируемого процесса
– если математическая модель является нестационарной, то её можно использовать для решения задач прогнозирования
– если математическая модель работает в реальном режиме времени, то результаты математического моделирования могут быть оперативно переданы оператору, управляющему объектом, или могут быть непосредственно введены в приборы, что позволяет решать задачи управления моделируемым объектом или процессом
– нейронные сети могут решать задачи распознавания