Область распознавания звуковых сигналов охватывает широкий круг задач, начиная от акустической диагностики в технике и в медицине и кончая распознаванием слитной речи. Цель этой главы - проиллюстрировать основные принципы, на которых может базиро-ваться применение ассоциативно-проективных нейроподобных сетей для решения задач этого класса.
Акустическая диагностика применяется на практике гораздо шире, чем об этом принято думать, однако эту операцию в настоящее время почти всегда выполняет человек. Всем хорошо известны примеры, когда врач выслушивает больного при помощи стетоскопа, однако не так широко известно, что аналогичный стетоскоп иногда применяется для "выслушивания" судовых двигателей внутреннего сгорания с целью проверки их исправности. Но и без стетоскопа опытный механик, прислушавшись к работе двигателя, может очень многое сказать о его состоянии.
Практически все механические устройства во время работы издают те или иные звуки, по характеру которых можно судить о наличии неисправностей. Выше упоминались двигатели внутреннего сгорания, которые в принципе нуждаются в непрерывном акустическом контроле, ибо чем раньше будут обнаружены посторонние шумы, тем быстрее можно устранить возникшую неисправность, продлив тем самым срок службы двигателя. Точно так же непрерывный акустический контроль нужен автоматическим станкам, получившим широкое распространение в современном производстве. В прежние времена рабочий за станком всегда обращал внимание на звуки, которые издает станок и режущий инструмент. По звукам он судил не только о том, в каком состоянии его станок, но определял, не затупился ли режущий инструмент, правильно ли выбраны режимы обработки и т.д. Современные автоматические станки во многих случаях лишены тако-го непрерывного контроля, что не позволяет использовать их на предельных режимах, в принципе им доступным.
Очень важную роль непрерывный акустический контроль может играть в повышении надежности работы механических узлов транс-портных средств и особенно летательных аппаратов. Так, современ-ные самолеты могут содержать сотни механических узлов, от исп-равности которых зависит безопасность полета.
Рассмотрим сначала простейший вид акустической диагностики, когда не требуется определять тип неисправности, а нужно лишь вовремя обнаружить наличие посторонних звуков. Очень часто этого бывает достаточно, чтобы обратить внимание специалиста на конт-ролируемый механический узел.
Применение описанных выше нейроподобных сетей для решения названной задачи может основываться на способности сети формиро-вать в ассоциативном нейронном поле ансамбли, соответствующие часто встречающимся наборам признаков. При возбуждении такого ансамбля и особенно его ядра наличие большого количества внутри-ансамблевых возбуждающих связей приводит к высокому уровню вход-ных возбуждений нейронов, а следовательно, и к высокому порогу срабатывания, поддерживаемому регулятором активности. Это обсто-ятельство можно использовать описанным ниже способом.
Перед началом обучения нейроподобной сети в матрицу синаптических весов ассоциативного поля вводятся случайные величины, зашумливающие матрицу до некоторого уровня (уровень шума опреде-ляется вероятностью появления единицы в произвольном элементе матрицы). После этого начинается предъявление звуковых сигналов, соответствующих нормальной работе механического узла. Аналогично системам технического зрения из сигнала предварительно выделяют-ся признаки (обычно это частотные составляющие сигнала), которые кодируются и полученные коды нормируются так же, как и при рас-познавании изображений. Комбинации частотных составляющих сигна-ла, характерные для нормальной работы узла, формируют ядро (или несколько ядер) ансамбля и впоследствии распознаются, если толь-ко в работе узла не появилось новых звуков. При появлении сущес-твенно новых частотных составляющих предъявляемый для распозна-вания код будет существенно отличаться от кодов ансамбля, и при правильном выборе уровня начального шума в матрице связей это приведет к тому, что ни один из ансамблей не возбудится (как это получается в случае превышения информационной емкости ассоциа-тивного поля). Описанная ситуация распознается по относительно низкому порогу срабатывания нейронов.
В более сложных случаях, когда желательно, чтобы нейропо-добная сеть не только обнаруживала посторонние звуки, но и опре-деляла возможную причину их возникновения, обучение необходимо проводить с учителем, предъявляя сети как исправные устройства, так и узлы с различными типами неисправностей, и сопровождая по-дачу входного кода именем соответствующей неисправности. Здесь процесс обучения может быть полностью аналогичен описанному в предыдущей главе.
Быстродействие нейрокомпьютеров, которые целесообразно было бы применять для акустической диагностики, может быть значитель-но меньше быстродействия нейрокомпьютеров для систем техническо-го зрения, поэтому здесь могут быть использованы наиболее деше-вые варианты нейрокомпьютеров.
Задачу распознавания речи считают средоточием всех задач искусственного интеллекта [28]. Действительно, для того чтобы система могла правильно распознавать слитную речь независимо от диктора, она должна иметь самые разные уровни обработки информа-ции - от датчиков и устройств предварительной обработки речевого сигнала до базы знаний и систем определения смысла фраз.
Речевой сигнал, поступающий в систему распознавания речи, подвергается предварительной обработке. Как правило, для такой обработки используют набор полосовых фильтров, настроенных на выделение различных частот. Будем считать сигналы на выходах та-ких фильтров первичными признаками.
По аналогии с обработкой изображений, одна из первых задач, которая возникает при распознавании речевых сигналов, заключает-ся в предварительной сегментации входного сигнала. Для решения этой задачи можно предложить несколько вариантов работы нейро-компьютера. Первый заключается в самообучении. Для этого на вход нейрокомпьютера необходимо подать достаточно продолжительный ре-чевой сигнал и приступить к формированию ансамблей в ассоциатив-ном поле нижнего уровня, где ансамбли соответствуют различным наборам первичных признаков (частотных составляющих звука). Фор-мирование таких ансамблей целесообразно проводить в два этапа.
На первом можно подавать все без исключения входные сигналы и, не пытаясь их распознать, осуществлять формирование ансамблей с малой положительной величиной подкрепления. При этом постепенно будут формироваться ядра ансамблей, которые соответствуют наибо-лее часто встречающимся комбинациям первичных признаков.
После такого обучения сегментация может выглядеть аналогич-но сегментации изображений. На вход ассоциативного поля подается первый набор признаков. Он распознается, и результирующий выход-ной вектор ассоциативного поля передается в буферное поле. Затем на вход подается следующий набор признаков и после распознавания результат сравнивается с тем, что хранится в буферном поле. Если расхождение невелико, то считается, что звук на входе не изме-нился и подается следующий набор признаков. Если же расхождение большое, считается, что на входе появился новый звук. Он предс-тавляется новым ядром в ассоциативном поле и передается в буфер-ное поле для сравнения с сигналами, которые поступят в дальней-шем. Такая процедура была проверена на имитаторе нейрокомпьюте-ра. Она довольно хорошо выделяла гласные звуки. Однако объем вы-полненных экспериментов недостаточен для окончательных выводов о свойствах данного этапа сегментирования, на нем трудно получить выделение редко встречающихся звуков.
Для того чтобы получить хорошо сформированные ансамбли, со-ответствующие редким звукам, необходимо выполнить второй этап обучения. Здесь нейрокомпьютер пытается распознать каждый подан-ный на вход звук. После распознавания полученный на выходе ассо-циативного поля вектор сравнивается с вектором, поданным на вход этого поля. Если расхождение невелико, то это означает, что рас-познан звук, часто встречавшийся прежде и имеющий представитель-ство в виде хорошо сформированного ансамбля. Для этого звук не требуется дополнительно обучать сеть. Если же расхождение велико или порог срабатывания нейронов в ассоциативном поле говорит о том, что ядро ансамбля вообще не выделено, входной вектор вновь вводится в ассоциативное поле и производится дополнительное обу-чение с более высоким значением сигнала подкрепления. Такая про-цедура должна постепенно формировать ансамбли, соответствующие редко встречающимся звукам.
Аналогично распознаванию изображений, сегментацию, получен-ную при помощи описанных выше процедур, по-видимому, следует считать предварительной и уточнять по результатам дальнейшего распознавания.
Принципы распознавания слитной речи можно строить на той же основе, что и распознавание изображений. Если в качестве элемен-тарных объектов рассматривать фонемы, в качестве более сложных - слоги, затем слова, словосочетания, фразы, то можно построить иерархическую систему, состоящую из ассоциативных, буферных и разностных полей, на каждом уровне которой формируются объекты соответствующей сложности. При переходе с уровня на уровень пе-редаются не только представители соответствующих объектов, но и дополнительные признаки, а также отношения между объектами. Так, при формировании слога из фонем кроме нейронов - представителей фонем - на уровень слогов через дополнительное кодирующее уст-ройство могут подаваться некоторые признаки фонем (например, длительность, громкость, высота основного тона и др.). Кроме то-го, необходимо определять и кодировать отношения между фонемами внутри слога (например, отношения следования или отношения со-седства).
По аналогии с системами технического зрения, на самых разных уровнях описанной иерархической системы могут вводиться име-на. Например, на фонемном уровне можно вводить имена букв, на уровне слов - их символьное написание, на уровне словосочетаний и фраз - обозначения, которые могут иметь смысл специальных тер-минов, на уровне текстов - названия этих текстов. Так же, как и в зрении, введенные имена входят в состав ансамблей, содержащих звуковое представление о соответствующем объекте, что при работе с речевым сигналом дает преимущества, связанные с легкостью пе-рехода от обозначения объекта к его содержанию и наоборот.
Для реализации осмысленного восприятия речи необходимо, чтобы система кроме звуковой и символьной имела еще какие-либо сферы обработки информации, которые позволяли бы интерпретиро-вать звучащую речь либо в зрительных образах, либо в двигатель-ных стереотипах, либо в других формах представления информации. Чем больше таких интерпретаций, тем богаче будет содержание ре-чевого сигнала. АП-структуры представляют собой удобное средство объединения таких интерпретирующих модальностей и формирования на верхних уровнях иерархии нейронных ансамблей, в состав кото-рых входят достаточно богатые наборы содержательных признаков, объясняющих смысл звучащего речевого сигнала.
Итак, выше в самых общих чертах представлены основные идеи, связанные с возможным применением АП-структур к распознаванию слитной речи. Работы в этом направлении находятся в самой на-чальной стадии. К моменту написания данной книги на макете ней-рокомпьютера проведены эксперименты по распознаванию только от-дельно произнесенных гласных [23]. Это одна из самых простых за-дач в распознавании речи, тем не менее высокий процент распозна-вания (выше 99) позволяет надеяться на то, что АП-структуры ока-жутся полезными при распознавании речевых сигналов.
-------╛
г=================>╕ ВF3 ╕====╛
╕ L------- ╕
г=========╕============╛ ╕
╕ г======╕=========╛ ╕ ╕
╕ ╕ ╕ ╕ ╕ ╕
------╛ ╕ ------╛ ╕ ------╛
╕ AF2 ╕ ╕ г===>╕ BF2 ╕ L=>╕ DF2 ╕
L------ ╕ ╕ L------ г=O╕ ╕
╕ ╕ ╕ ╕ L------
╕===========╕==========================-
╕ ╕
------╛ ╕ -----╛
L------ L-----
╕ ╕ ------╛
╕ L======O╕ ╕
╕ ╕ DF1 ╕
L==========================>╕ ╕
Рис.8.1. Фрагмент АП-структуры с разностными полями,
определяющими события в этой
структуре
Под логическим выводом будем понимать получение дополни-тельной информации путем применения правил вывода, каждое из ко-торых содержит несколько исходных посылок и одно следствие. Та-кие правила называют продукциями. Ниже приведен пример продук-ции, записанной в виде логического выражения:
A & B & C -> D (9.1)
Здесь A,B и C - исходные посылки, а D - следствие. Примене-ние таких правил позволяет дополнить входную информацию данными, которые в явной форме не были заданы. Однако, как уже было ска-зано выше, в традиционных системах искусственного интеллекта правила продукции применяются слишком жестко для того, чтобы на их основе можно было получить правдоподобные рассуждения, отли-чающие мышление человека от существующих ныне машинных методов обработки информации. Жесткость заключается в том, что символы, входящие в состав логических выражений, полностью лишены свойств объектов, обозначенных этими символами. Поэтому на пути установ-ления аналогий между различными выражениями возникают почти неп-реодолимые препятствия. Они связаны с необходимостью обращаться за расшифровкой каждого из символов всякий раз, когда необходимо проверить аналогию двух логических выражений. Поскольку процеду-ра расшифровки обычно требует поиска на дереве графа, а вычис-лять аналогию необходимо для большого числа выражений, задача становится трудно разрешимой.
Можно было бы вообще отказаться от аналогий, как чаще всего и делают в реальных экспертных системах, но тогда резко возрас-тает необходимое количество правил, позволяющих охватить даже очень узкую предметную область, и дороговизна экспертных систем, хотя они при всем том остаются недостаточно гибкими.
Выход из создавшегося положения просматривается в том, что-
бы заменить логические правила оперирования символами на анало-
гичные по оперированию моделями самих объектов, представленных в
виде нейронных ансамблей. Для этого преобразуем выражение (9.1)
к виду
-------------
-
Его можно прочитать следующим образом: "Неверно, что однов-ременно может быть истинно А, В, С и не D" или "Невозможно, что-бы одновременно существовали объекты А,В,С и не существовал объ-ект D". Нетрудно заметить отличия последнего выражения от того, что представляет собой обычный ансамбль верхнего уровня, если ансамблями нижнего уровня считать А,В,С и D. Первое отличие зак-лючается в том, что вместо ансамбля D берется его отрицание. Вы-ше уже сказано, что отрицание или отсутствие объекта можно пред-ставить комплементарным набором нейронов, получаемым при подаче возбуждения через перекрестные проективные связи. Второе отличие заключается в том, что до сих пор ансамбль верхнего уровня счи-тался представителем комбинаций признаков, очень часто встречаю-щихся вместе (то, что обычно "бывает"), а теперь рассматривается комбинация, которая никогда или почти никогда не должна встре-чаться в окружающем мире ("не бывает"). Для того чтобы отобра-зить все, чего не бывает или не может быть в окружающем мире, введем дополнительные ассоциативные поля и будем обозначать их символами AF~.
Далее приступим к построению АП-структуры, реализующей опе-рацию "логического вывода" над нейронными ансамблями. Простейший пример такой структуры представлен на рис.9.1. Структура содер-жит буферные поля BF1, BF2 и BF3, ассоциативное поле AF~1 и раз-ностное поле DF1. Поле BF1 кроме обычной проективной связи, иду-щей к BF2, содержит еще и перекрестную проективную связь. Такая же перекрестная связь соединяет разностное поле DF1 с буферным BF3.
----------╛ ----------╛
╕ +------->╕ ╕
╕ BF2 ╕ ╕ AF~1 ╕
╕ +---╛ ╕ ╕
L---------- ╕ L----------
╕ ╕ ╕ ╕
╕ X ╕ ╕
╕ ╕ ╕ ╕
╕ ╕ ╕ ╕
---------╛ ╕ ---------╛ ---------╛
╕ ╕ L----O╕ ╕ ╕ ╕
╕ BF1 ╕ ╕ DF1 +------X------->╕ BF3 ╕
╕ ╕ ╕ ╕ ╕ ╕
L--------- L--------- L---------
Рис.9.1. Простейшая схема АП-структуры, предназначенной
для логического вывода
Структура работает следующим образом. В режиме обучения в поле BF1 последовательно подаются ансамбли А,В,С и D, причем первые три передаются в поле BF2 через несмещенные проективные связи, а последний - через перекрестные. После нормирования в BF2 формируется набор нейронов, представляющих выражение (9.2) без общего отрицания. Этот набор передается в ассоциативное поле AF~1, где формируется соответствующий нейронный ансамбль.
В рабочем режиме в буферное поле BF1 вводятся только ансамбли А,В и С, которые передаются в поле BF2, нормируются и затем поступают на входы ассоциативного поля AF~1. Пересчет активности этого поля приводит к восстановлению недостающего фрагмента, соответствующего ансамблю D. Разностное поле DF1 выделяет этот фрагмент и передает его в буферное поле BF3 через перекрестные связи, в результате чего возбужденными оказываются комплементар-ные нейроны, соответствующие ансамблю D. Таким образом, в ре-зультате работы описанной структуры происходит восстановление не-достающего элемента аналогично тому, как это было бы сделано при помощи логического правила (9.1).
Итак, рассмотрен пример простейшей схемы ассоциативно-проективной сети для выполнения "логических выводов". Реальные схемы получаются более сложными,потому что не всегда точно известно, что применяемое правило содержит ровно столько исходных посылок, сколько их содержится во входном векторе. Определить полноту набора исходных посылок можно, если результат, полученный на выходе буферного поля BF3, подать для расшифровки на более низкий уровень иерархии. Если окажется, что выходной вектор этого поля содержит только один ансамбль, значит "логический вывод" сделан корректно, исходных посылок было достаточно. Если же окажется, что расшифровка дает два или несколько ансамблей, значит исходных посылок было недостаточно, и тогда можно либо вообще отказаться от применения этого правила, либо выбрать в какчестве следствия один из расшифрованных ансамблей, снизив меру доверия применяемому правилу, либо принять в качестве возможных следст-вий все расшифрованные ансамбли, что приводит к дальнейшему вет-влению цепочки выводов.
Выше затронут вопрос о доверии следствию, полученному в ре-зультате применения правила вывода. Ансамблевая нейронная струк-тура дает возможность получить достаточно естественную меру до-верия, основанную на некоторых особенностях ассоциативно- проек-тивных сетей. Первое, что должно входить в суммарную меру дове-рия следствию, - доверие самому правилу вывода. Действительно, в реальных рассуждениях приходится пользоваться как бесспорными правилами, так и не слишком убедительными "доводами". Нужно уметь отличать, каким именно правилом мы воспользовались в конк-ретном случае и насколько ему можно верить. В приведенной схеме это можно сделать, определив меру связности того ансамбля в поле AF~1, по которому сделан вывод. Мера связности (или мера сформи-рованности) ансамбля определяется по результирующему порогу сра-батывания нейронов на заключительном цикле пересчета активности ассоциативного поля. Если связность ансамбля велика, то меру до-верия можно принять большой, поскольку это означает, что данное правило вводилось в систему много раз (хорошо бы еще, чтобы каж-дый раз оно поступало из различных источников), либо при вводе его был установлен высокий уровень сигнала подкрепления, что со-ответствует высокому доверию вводимой в сеть информации (автори-тетный источник информации).
Другая составляющая меры доверия, как мы уже говорили, вы-текает из расшифровки выходного вектора буферного поля BF3. При-чем снизить доверие выводу можно не только в том случае, когда расшифровано более одного ансамбля. Может оказаться, что в бу-ферном поле BF3 находятся "посторонние" нейроны, не составляющие ансамбля в нижнем уровне иерархии. Это произойдет в том случае, если вместо ансамблей А,В и С подставлены похожие на них по сос-таву, но не совпадающие ансамбли (вывод по аналогии). Чем ближе была аналогия, использованная в логическом выводе, тем меньше посторонних нейронов окажется в третьем буферном поле. Если же использована отдаленная аналогия, посторонних нейронов окажется больше и меру доверия надо будет существенно снизить.
Наконец, может быть еще один источник недоверия выводу, ко-торый по нашему мнению желательно учитывать отдельно, поскольку во многих случаях он дает возможность дополнительной проверки результатов. Как известно, нет правил без исключений. В своей работе ассоциативно-проективная сеть может встречать ситуации, описанные в ее ассоциативных полях под знаком "не бывает". Такие ситуации принято считать исключениями, которые "не снижают цен-ности правила", и их обычно стараются запомнить. Для того чтобы таким же свойством обладала нейронная сеть, необходимо ввести еще один набор ассоциативных полей для представления исключений из правил. Тогда в ассоциативном поле для исключений будут фор-мироваться ансамбли, ядра которых соответствуют правилам, а бах-рома соответствует тем особенностям ситуации, которая делает ее исключением. Мера сформированности ядра свидетельствует о том, насколько много исключений бывает у данного правила (соответст-венно, насколько ему можно верить), а в тех случаях, когда уда-ется установить совпадение анализируемого входного вектора с ка-кой-либо бахромой, можно сделать вывод, что в данном случае речь идет именно об исключении, а не основном правиле.
Таким образом, АП-структуры позволяют перенести "логический вывод" из области оперирования абстрактными символами в область представления содержательной информации, описываемой внутренней структурой нейронных ансамблей и их наборов. Такой перенос поз-воляет надеяться на то, что "рассуждения" нейрокомпьютера будут более близкими к рассуждениям человека, чем те логические преоб-разования, которые выполняются в современных системах искусст-венного интеллекта. Эксперименты, выполненные А.М.Касаткиным и Л.М.Касаткиной на разработанной ими модели, показали дееспособ-ность данного подхода.
Таким образом, здесь описана структура нейроподобной сети, разработанная для решения широкого класса задач искусственного интеллекта. Подробные экспериментальные исследования ее в тесто-вых условиях и первые результаты, полученные при решении прик-ладных задач, показали, что такого рода структуры достаточно удобны и открывают новые возможности в области искусственного интеллекта. Перспективы их применения во многом зависят от того, как будут развиваться средства аппаратной поддержки - АП-нейро-компьютеры. Технические решения, найденные разработчиками, таких нейрокомпьютеров, позволяют получить практически любое быстродействие, которое может понадобиться в обозримом будущем. Крити-ческим параметром здесь является объем оперативной памяти. Она определяет уровень сложности задач, решаемых с помощью нейро-компьютеров, поэтому дальнейшие результаты в данном направлении определяются не только (а может быть и не столько) решением на-учно-технических проблем, но и влиянием экономических факторов, таких как стоимость электронных изделий. В настоящее время ней-рокомпьютер с объемом памяти, равным памяти человеческого мозга, стоил бы несколько миллиардов долларов. Разумеется, во многих задачах искусственного интеллекта требуется значительно меньший объем памяти, и для решения таких задач нейрокомпьютеры можно применять уже сегодня.
Рис.1.1. Схематическое изображение АП-структуры Рис.1.2. Выделение ансамбля из шума Рис.1.3. Конкуренция ансамблей за возбуждение Рис.1.4. Формирование ансамбля-объекта из ансамблей-признаков Рис.1.5. Расшифровка ансамбля-объекта по признакам Рис.1.6. Общая схема нейроподобной сети. Входы и выходы Рис.1.7. Формирование ядра ансамбля Рис.1.8. Блок-схема АП-структуры для управления подвижным роботом Рис.1.9. Формирование ансамблей с противоположными признаками.
а - "Человек в шапке"; б - "Человек без шапки" Рис.1.10. Влияние контекста на смысл фразы Рис.2.1. АП-структура:а - пример структуры;
б - графическое обозначение структуры
Рис.2.2. Кодирование входных признаков нейронными ансамблями
Рис.2.3. Последовательный ввод признаков и выбор нейро-
нов-представителей для формирования ансамбля верхнего уровня Рис.2.4. Формирование ансамбля на верхнем уровне Рис.2.5. Расшифровка ансамбля верхнего уровня:
+ - нейроны, которые сначала были возбуждены, но затем
заторможены
Рис.2.7. Формирование ансамбля, связывающего реакцию робота
с изменением ситуации
Рис.2.8. Функциональная схема нейрона
Рис.2.9. Графическое обозначение нейрона
Рис.2.10. Буферное нейронное поле:
а-схема; б-графическое обозначение Рис.2.11. Разностное нейронное поле:
а-схема; б-графическое обозначение
Рис.2.12. Ассоциативное нейронное поле
а-схема; б-графическое обозначение Рис.2.13. Прямые проективные связи:
а-схема соединения; б-графическое обозначение Рис.2.14. Смещенные проективные связи:
а-схема соединений; б-графическое обозначение; s-число, определяющее величину смещения (0 < s < n)
Рис.2.15. Графическое обозначение перекрестных связей
Рис.3.1. Схема типового нейрокомпьютера
Рис.4.1. Получение псевдослучайного двоичного вектора с за-
данной вероятностью появления единиц
Рис.4.2. График зависимости количества общих элементов у двух
масок от разности чисел, кодируемых этими масками
Рис.4.3. Схема сдвинутых проективных тормозящих связей для
нормирования кодов в буферном поле
Рис.5.1 . Информационная емкость ассоциативного поля при вос-
становлении зашумленного ансамбля Рис.5.2. Гистограмма входных возбуждений нейронов:
S - входное возбуждение; N(S) - количество нейронов,
имеющих входное возбуждение S; T - порог срабатывания
нейронов
Рис.5.3. Гистограмма входных возбуждений при шумовом воз-
действии и разных количествах ансамблей в ассоциативном поле (Q < Q <Q )
1 2 3
Рис.5.4. Изменение гистограммы входных возбуждений при вос-
становлении зашумленного ансамбля Рис.5.5. Четыре области в матрице синаптических связей:
АА - внутри ансамбля А; AX - от ансамбля А к другим ансамблям; XA - связи от других ансамблей к ансамблю A;
XX - связи между нейронами, не принадлежащими ансамблю А
Рис.5.6. Формирование входных возбуждений нейронов в ассоци-
ативциативном поле при восстановлении зашумлененого
ансамбля
Рис.5.7. Расчетная и экспериментальная кривые информацион-
ной емкости ассоциативного поля:
Рис.5.8. Структура ассоциативного поля с неполносвязной мат-
рицей синаптических весов
Рис.6.1. Фрагмент АП-структуры с разностными полями
Рис.7.1. Окно для выделения текстурных признаков на изобра-
жении
Рис.7.2. Выделение характерного элемента контура
Рис.7.3. Пример двух различных текстур с одинаковой гистог-
раммой ориентаций контурных элементов
Рис.7.4. Схема системы распознавания текстур
Рис.7.5. Характеристика обучения распознаванию текстур
Рис.7.6. Блок-схема системы для выделения однородных текстур-
ных областей
Рис.7.7. Схема нейросетевой системы распознавания формы
фигур
Рис.7.8. АП-структура для распознавания объектов на изображении
Рис.9.1. Простейшая схема АП-структуры, предназначенной для
логического вывода
1979. -151 с.
1949. -319 с.
Наук. думка, 1977. -166 с.
// Sect. Netes Biomath. -1978. -21. -Р. 171-188.
|
|