Труды КНЦ вып.9 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ) вып. 9/2019(10)

О. V. Fridman LOGIC NEURAL NETWORKS: METHODS OF AUTOMATIC DESIGN, REDUCTION, RULE EXTRACTION Abstract The class o f logical neural netw orks is considered. A review o f the m e th od s and alg o rithm s used in the construction o f neural networks, reduction, and rule extraction are presented. The p roblem s o f using logical neural netw orks to solve various problem s are considered. Keywords: logical neural networks, modeling, methods and algorithms for constructing neural networks, reduction, rule extraction, the use of logical neural networks. Введение В настоящее время разработаны десятки различных моделей нейронных сетей, которые получили применение во многих сферах современной жизни, в частности, для задач анализа большого количества данных, для трудноформализуемых и неформализуемых задач, для задач с комплексными алгоритмами и алгоритмами с неявными параметрами и др. Нейронные сети получили широкое распространение при необходимости одновременного анализа большого числа данных, выделении тенденций и прогнозирования в зависимости от полученной информации, как, например, на рынке бумаг или валютном рынке. Архитектуру нейронной сети можно характеризовать схемой SIMD (Single Instruction — Multiple Data), то есть выполнение одной функции для множества данных [1]. Для реализации структуры сети, необходимо ввести связи между нейронами. Основные виды связей, используемых в нейронных сетях, следующие: • прямая связь: процесс передачи выходного сигнала происходит последовательно, с выхода одного слоя, на вход следующего; • обратная связь: выходные сигналы передаются на вход предыдущего слоя, что позволяет производить рекуррентные операции на нейронных сетях; • боковая связь: выходные сигналы передаются внутри слоя от нейрона к нейрону. Перед созданием нейронной сети проводится анализ задачи, в процессе которого определяются топология и размеры сети, передаточные и активационные функции и прочие параметры. После завершения этапа формализации и переноса поставленной задачи на модель нейронной сети, начинается процесс обучения. Обучение нейронной сети требует много времени, и чем сложнее структура, тем дольше будет проходить обучение. Для ускорения данного процесса существует лишь одно решение - улучшение самого алгоритма обучения. Наиболее эффективной, с точки зрения временных затрат модификацией для процессов обучения является распараллеливание алгоритма. После завершения стадии обучения, структура нейронной сети фиксируется, то есть дальнейших изменений весов и связей не происходит, сеть переходит в рабочий режим. В зависимости от поставленных целей, принято классифицировать нейронные сети. Для систем анализа изображений, задач автоматизации 98