Нейронная сеть - Neural network

Для использования в других целях см. Нейронная сеть (значения).

Упрощенный вид прямая связь искусственная нейронная сеть

А нейронная сеть сеть или цепь нейроны, или в современном понимании искусственная нейронная сеть, состоящий из искусственные нейроны или узлы.[1] Таким образом, нейронная сеть - это либо биологическая нейронная сеть, состоящий из реальных биологических нейронов или искусственной нейронной сети, для решения искусственный интеллект (AI) проблемы. Связи биологического нейрона моделируются как веса. Положительный вес отражает возбуждающую связь, а отрицательный - тормозящую связь. Все входы модифицируются по весу и суммируются. Эта деятельность называется линейной комбинацией. Наконец, функция активации управляет амплитуда вывода. Например, приемлемый диапазон вывода обычно составляет от 0 до 1 или может быть от -1 до 1.

Эти искусственные сети могут использоваться для прогнозное моделирование, адаптивное управление и приложения, в которых их можно обучать с помощью набора данных. Самообучение на основе опыта может происходить в сетях, которые могут делать выводы из сложного и, казалось бы, несвязанного набора информации.[2]

Обзор

А биологическая нейронная сеть состоит из групп химически связанных или функционально связанных нейронов. Один нейрон может быть связан со многими другими нейронами, и общее количество нейронов и соединений в сети может быть большим. Подключения, называемые синапсы, обычно формируются из аксоны к дендриты, хотя дендродендритные синапсы[3] Возможны и другие подключения. Помимо электрических сигналов, существуют другие формы сигналов, которые возникают из нейротрансмиттер диффузия.

Искусственный интеллект, когнитивное моделирование и нейронные сети - это парадигмы обработки информации, вдохновленные тем, как биологические нейронные системы обрабатывают данные. Искусственный интеллект и когнитивное моделирование попробуйте смоделировать некоторые свойства биологических нейронных сетей. в искусственный интеллект области искусственные нейронные сети успешно применяются для распознавание речи, анализ изображений и адаптивное управление, чтобы построить программные агенты (в компьютерные и видеоигры ) или же автономные роботы.

Исторически цифровые компьютеры произошли от модель фон Неймана, и работают через выполнение явных инструкций через доступ к памяти несколькими процессорами. С другой стороны, происхождение нейронных сетей основано на попытках моделирования обработки информации в биологических системах. В отличие от модели фон Неймана, нейросетевые вычисления не разделяют память и обработку.

Теория нейронных сетей послужила как для более точного определения того, как функционируют нейроны мозга, так и для обеспечения основы для усилий по созданию искусственного интеллекта.

История

Предварительная теоретическая база для современных нейронных сетей была независимо предложена Александр Бэйн[4] (1873 г.) и Уильям Джеймс[5] (1890). В их работе мысли и деятельность тела были результатом взаимодействия нейронов мозга.

Компьютерное моделирование разветвленной архитектуры дендриты из пирамидные нейроны.[6]

Для Bain,[4] каждая активность приводила к срабатыванию определенного набора нейронов. Когда активность повторялась, связи между этими нейронами усиливались. Согласно его теории, именно это повторение привело к формированию памяти. В то время научное сообщество в целом скептически относилось к концепции Бейна.[4] теории, потому что для этого требовалось чрезмерное количество нейронных связей в мозгу. Теперь очевидно, что мозг чрезвычайно сложен и что одна и та же «проводка» мозга может обрабатывать множество проблем и входных сигналов.

Джеймса[5] теория была подобна теории Бэйна,[4] однако он предположил, что воспоминания и действия являются результатом электрических токов, протекающих между нейронами мозга. Его модель, сфокусированная на потоке электрического тока, не требовала отдельных нейронных связей для каждого воспоминания или действия.

К. С. Шеррингтон[7] (1898) провели эксперименты, чтобы проверить теорию Джеймса. Он пропустил электрический ток по спинному мозгу крыс. Однако вместо того, чтобы продемонстрировать увеличение электрического тока, как прогнозировал Джеймс, Шеррингтон обнаружил, что сила электрического тока уменьшалась по мере того, как испытания продолжались с течением времени. Важно отметить, что эта работа привела к открытию концепции привыкание.

McCulloch и Питтс[8] (1943) создал вычислительную модель нейронных сетей, основанную на математике и алгоритмах. Они назвали эту модель пороговая логика. Модель открыла путь для исследования нейронных сетей, разделив его на два разных подхода. Один подход был сосредоточен на биологических процессах в мозге, а другой - на применении нейронных сетей в искусственном интеллекте.

В конце 1940-х психолог Дональд Хебб[9] создал гипотезу обучения, основанную на механизме нейронной пластичности, которая теперь известна как Hebbian обучение. Обучение хеббийскому языку считается «типичным» обучение без учителя правило и его более поздние варианты были ранними моделями для долгосрочное потенцирование. Эти идеи начали применяться к вычислительным моделям в 1948 г. Машины Тьюринга типа B.

Фарли и Кларк[10] (1954) сначала использовали вычислительные машины, тогда называемые калькуляторами, для моделирования сети Hebbian в Массачусетском технологическом институте. Другие вычислительные машины нейронных сетей были созданы Rochester, Holland, Habit и Duda.[11] (1956).

Розенблатт[12] (1958) создал перцептрон, алгоритм распознавания образов, основанный на двухуровневой обучающей компьютерной сети с использованием простого сложения и вычитания. Используя математические обозначения, Розенблатт также описал схемы, не входящие в базовый перцептрон, такие как Эксклюзивный или схема, схема, математические вычисления которой не могли быть обработаны до тех пор, пока обратное распространение алгоритм был создан Werbos[13] (1975).

Исследования нейронных сетей застопорились после публикации исследования машинного обучения Марвин Мински и Сеймур Пейперт[14] (1969). Они обнаружили две ключевые проблемы с вычислительными машинами, которые обрабатывали нейронные сети. Первая проблема заключалась в том, что однослойные нейронные сети не могли обрабатывать схему «исключающее ИЛИ». Вторая важная проблема заключалась в том, что компьютеры не были достаточно сложными, чтобы эффективно справляться с длительным временем работы, необходимым для больших нейронных сетей. Исследования нейронных сетей замедлились, пока компьютеры не достигли большей вычислительной мощности. Ключевым моментом в более поздних достижениях был обратное распространение алгоритм, который эффективно решил проблему исключающего ИЛИ (Werbos 1975).[13]

В параллельная распределенная обработка середины 1980-х стал популярным под названием коннекционизм. Текст Рамелхарта и Макклелланда[15] (1986) представили полное описание использования коннекционизма в компьютерах для моделирования нейронных процессов.

Нейронные сети, используемые в искусственном интеллекте, традиционно рассматривались как упрощенные модели нейронная обработка в мозге, хотя связь между этой моделью и биологической архитектурой мозга обсуждается, так как неясно, в какой степени искусственные нейронные сети отражают функцию мозга.[16]

Искусственный интеллект

Основная статья: Искусственная нейронная сеть

А нейронная сеть (NN), в случае искусственных нейронов, называемых искусственная нейронная сеть (ИНС) или моделируемая нейронная сеть (SNN), представляет собой взаимосвязанную группу природных или искусственные нейроны который использует математическая или вычислительная модель за обработка информации на основе коннекционистский подход к вычисление. В большинстве случаев ИНС - это адаптивная система который изменяет свою структуру на основе внешней или внутренней информации, проходящей через сеть.

В более практическом плане нейронные сети нелинейный статистический моделирование данных или же принимать решение инструменты. Их можно использовать для моделирования сложных отношений между входами и выходами или для найти шаблоны в данных.

An искусственная нейронная сеть включает в себя сеть простых элементов обработки (искусственные нейроны ), которые могут демонстрировать сложное глобальное поведение, определяемое связями между элементами обработки и параметрами элементов. Искусственные нейроны были впервые предложены в 1943 г. Уоррен МакКаллох, нейрофизиолог, и Уолтер Питтс, логик, впервые сотрудничавший на Чикагский университет.[17]

Одним из классических типов искусственной нейронной сети является повторяющийся Сеть Хопфилда.

Концепция нейронной сети, по-видимому, впервые была предложена Алан Тьюринг в его статье 1948 года Интеллектуальное оборудование в котором он назвал их «неорганизованными машинами типа В».[18]

Полезность моделей искусственных нейронных сетей заключается в том, что их можно использовать для вывода функции из наблюдений, а также для ее использования. Неконтролируемые нейронные сети также можно использовать для изучения представлений входных данных, которые отражают основные характеристики входного распределения, например, см. Машина Больцмана (1983), а в последнее время глубокое обучение алгоритмы, которые могут неявно изучать функцию распределения наблюдаемых данных. Обучение в нейронных сетях особенно полезно в приложениях, где сложность данных или задачи делает создание таких функций вручную непрактичным.

Приложения

Нейронные сети можно использовать в разных сферах. Задачи, к которым применяются искусственные нейронные сети, относятся к следующим широким категориям:

Области применения ИНС включают: идентификация нелинейных систем[19] и управление (управление транспортным средством, управление процессами), игры и принятие решений (нарды, шахматы, гонки), распознавание образов (радиолокационные системы, идентификация лица, распознавание объектов), распознавание последовательности (жест, речь, распознавание рукописного текста ), медицинская диагностика, финансовые приложения, сбор данных (или открытие знаний в базах данных, «KDD»), визуализация и спам в электронной почте фильтрация. Например, можно создать семантический профиль интересов пользователя, возникающий из изображений, обученных распознаванию объектов.[20]

Неврология

Теоретические и вычислительная нейробиология Это область, связанная с анализом и компьютерным моделированием биологических нейронных систем. Поскольку нейронные системы тесно связаны с когнитивными процессами и поведением, эта область тесно связана с когнитивным и поведенческим моделированием.

Целью области является создание моделей биологических нейронных систем, чтобы понять, как работают биологические системы. Чтобы понять это, нейробиологи стремятся установить связь между наблюдаемыми биологическими процессами (данными), биологически правдоподобными механизмами нейронной обработки и обучения (биологическая нейронная сеть моделей) и теории (теория статистического обучения и теория информации ).

Типы моделей

Используются многие модели; определены на разных уровнях абстракции и моделируют различные аспекты нейронных систем. Они варьируются от моделей краткосрочного поведения отдельные нейроны через модели динамики нейронных схем, возникающих в результате взаимодействий между отдельными нейронами, к моделям поведения, возникающим из абстрактных нейронных модулей, представляющих полные подсистемы. К ним относятся модели долгосрочной и краткосрочной пластичности нейронных систем и ее связи с обучением и памятью, от отдельного нейрона до системного уровня.

Связь

Смотрите также: Оценщики мозговой связи

В августе 2020 года ученые сообщили, что двунаправленные соединения или добавленные соответствующие обратные связи могут ускорить и улучшить связь между модульными модулями и в них. нейронные сети мозга кора головного мозга и снизить порог их успешного общения. Они показали, что добавление обратной связи между резонансной парой может способствовать успешному распространению одиночного пакета импульсов по всей сети.[21][22]

Критика

Распространенная критика нейронных сетей, особенно в робототехнике, заключается в том, что они требуют большого разнообразия обучения для реальной работы. Это неудивительно, поскольку любой обучающейся машине необходимо достаточное количество репрезентативных примеров, чтобы уловить основную структуру, которая позволяет ей обобщать на новые случаи. Дин Померло в своем исследовании, представленном в статье «Обучение искусственных нейронных сетей для автономного вождения роботов на основе знаний», использует нейронную сеть для обучения роботизированного транспортного средства движению по разным типам дорог (однополосная, многополосная, грязная). , так далее.). Большая часть его исследований посвящена (1) экстраполяции нескольких сценариев обучения из одного опыта обучения и (2) сохранению разнообразия прошлых тренировок, чтобы система не перетренировалась (если, например, она представлена ​​серией правых поворотов - он не должен учиться всегда поворачивать направо). Эти проблемы распространены в нейронных сетях, которые должны решаться на основе широкого спектра ответов, но с ними можно справиться несколькими способами, например, путем случайного перетасовки обучающих примеров, с помощью алгоритма численной оптимизации, который не делает слишком больших шагов, когда изменение сетевых подключений по примеру или путем группирования примеров в так называемые мини-пакеты.

А. К. Дьюдни, бывший Scientific American обозреватель писал в 1997 году: «Хотя нейронные сети действительно решают несколько игрушечных задач, их вычислительные возможности настолько ограничены, что я удивлен, что кто-то серьезно относится к ним как к общему инструменту решения проблем» (Dewdney, p. 82).

Аргументы в пользу позиции Дьюдни заключаются в том, что для реализации больших и эффективных программных нейронных сетей необходимо выделить много ресурсов обработки и хранения. В то время как у мозга есть оборудование, адаптированное к задаче обработки сигналов через граф нейронов, моделирование даже самой упрощенной формы с помощью технологии фон Неймана может заставить проектировщика нейронных сетей заполнить многие миллионы база данных строк для подключений, которые могут потреблять огромное количество компьютеров объем памяти и жесткий диск Космос. Более того, разработчику нейронных сетевых систем часто необходимо моделировать передачу сигналов через многие из этих соединений и связанных с ними нейронов, что часто требует сопоставления с невероятным количеством ЦПУ вычислительная мощность и время. Хотя нейронные сети часто уступают эффективный программ, они слишком часто делают это за счет эффективность (они обычно отнимают много времени и денег).

Аргументы против позиции Дьюдни заключаются в том, что нейронные сети успешно используются для решения многих сложных и разнообразных задач, таких как автономный полет самолета.[23]

Писатель по технологиям Роджер Бриджмен прокомментировал высказывания Дьюдни о нейронных сетях:

Нейронные сети, например, находятся на скамье подсудимых не только потому, что их разрекламировали до небес (а что нет?), Но и потому, что вы можете создать успешную сеть, не понимая, как она работает: набор чисел, который фиксирует ее поведение, по всей вероятности, было бы «непрозрачной, нечитаемой таблицей ... бесполезной как научный ресурс».

Несмотря на его решительное заявление о том, что наука - это не технология, Дьюдни, кажется, здесь называет нейронные сети плохой наукой, когда большинство их изобретателей просто пытаются стать хорошими инженерами. Нечитаемую таблицу, которую могла бы прочитать полезная машина, все равно стоит иметь.[24]

Хотя верно то, что анализировать то, что было изучено с помощью искусственной нейронной сети, сложно, сделать это намного проще, чем анализировать то, что было изучено с помощью биологической нейронной сети. Более того, недавний акцент на объяснимости ИИ способствовал развитию методов, особенно основанных на механизмах внимания, для визуализации и объяснения изученных нейронных сетей. Более того, исследователи, занимающиеся изучением алгоритмов обучения нейронных сетей, постепенно открывают общие принципы, которые позволяют машине обучения быть успешной. Например, Bengio и LeCun (2007) написали статью о локальном и нелокальном обучении, а также о неглубокой и глубокой архитектуре.[25]

Некоторые другие критические замечания исходили от сторонников гибридных моделей (сочетающих нейронные сети и символический подходы). Они выступают за смешение этих двух подходов и считают, что гибридные модели могут лучше отражать механизмы человеческого разума (Sun and Bookman, 1990).[требуется полная цитата ]

Последние улучшения

В то время как первоначально исследования были сосредоточены в основном на электрических характеристиках нейронов, особенно важной частью исследований в последние годы было изучение роли нейромодуляторы Такие как дофамин, ацетилхолин, и серотонин по поведению и обучению.

Биофизический модели, такие как Теория BCM, сыграли важную роль в понимании механизмов синаптическая пластичность, и нашли применение как в компьютерных науках, так и в нейробиологии. Исследования продолжаются в понимании вычислительных алгоритмов, используемых в мозге, с некоторыми недавними биологическими доказательствами радиально-базисные сети и нейронное обратное распространение как механизмы обработки данных.

Вычислительные устройства были созданы в CMOS для биофизического моделирования и нейроморфные вычисления. Недавние усилия показывают многообещающие наноустройства для очень большого масштаба основные компоненты анализы и свертка.[26] В случае успеха эти усилия могут открыть новую эру нейронные вычисления это шаг за пределы цифровых вычислений,[27] потому что это зависит от учусь скорее, чем программирование и потому что это принципиально аналог скорее, чем цифровой даже при том, что первые экземпляры могут фактически быть с цифровыми устройствами CMOS.

В период с 2009 по 2012 гг. повторяющиеся нейронные сети и глубоко нейронные сети с прямой связью разработан в исследовательской группе Юрген Шмидхубер на Швейцарская лаборатория искусственного интеллекта IDSIA выиграли восемь международных соревнований в распознавание образов и машинное обучение.[28] Например, многомерный долговременная кратковременная память (LSTM)[29][30] выиграл три конкурса по распознаванию связного почерка на Международной конференции по анализу и распознаванию документов (ICDAR) в 2009 году, не имея каких-либо предварительных знаний о трех разных языках, которые нужно выучить.

Варианты обратное распространение алгоритма, а также неконтролируемых методов Джефф Хинтон и коллеги из Университет Торонто может использоваться для обучения глубоких нелинейных нейронных архитектур,[31] похож на 1980 Неокогнитрон к Кунихико Фукусима,[32] и "стандартная архитектура видения",[33] вдохновленные простыми и сложными клетками, идентифицированными Дэвид Х. Хьюбел и Торстен Визель в первичной зрительная кора.

Также были введены радиальная базисная функция и вейвлет-сети. Можно показать, что они предлагают свойства наилучшего приближения и были применены в идентификация нелинейных систем и классификационные приложения.[19]

Глубокое обучение сети прямого распространения чередуются сверточный слои и слои максимального объединения, увенчанные несколькими уровнями чистой классификации. Быстрый GPU реализации этого подхода выиграли несколько конкурсов по распознаванию образов, включая IJCNN 2011 Traffic Sign Recognition Competition[34] и задача ISBI 2012 «Сегментация нейронных структур в стеках для электронной микроскопии».[35] Такие нейронные сети также были первыми искусственными распознавателями образов, которые достигли конкурентоспособности человека или даже сверхчеловеческой производительности.[36] на тестах, таких как распознавание дорожных знаков (IJCNN 2012) или проблема рукописных цифр MNIST Янн ЛеКун и коллеги в NYU.

Смотрите также

Рекомендации

  1. ^ Хопфилд, Дж. Дж. (1982). «Нейронные сети и физические системы с возникающими коллективными вычислительными возможностями». Proc. Natl. Акад. Sci. СОЕДИНЕННЫЕ ШТАТЫ АМЕРИКИ. 79 (8): 2554–2558. Bibcode:1982PNAS ... 79.2554H. Дои:10.1073 / pnas.79.8.2554. ЧВК  346238. PMID  6953413.
  2. ^ «Нейронная сеть или нейронная сеть - глоссарий Gartner IT». www.gartner.com.
  3. ^ Арбиб, с.666
  4. ^ а б c d Бэйн (1873). Разум и тело: теории их взаимосвязи. Нью-Йорк: Д. Эпплтон и компания.
  5. ^ а б Джеймс (1890). Принципы психологии. Нью-Йорк: Х. Холт и компания.
  6. ^ Кунц, Герман (2010). "Изображение выпуска PLoS Computational Biology | Том 6 (8) август 2010 г.". PLOS вычислительная биология. 6 (8): ev06.i08. Дои:10.1371 / image.pcbi.v06.i08.
  7. ^ Шеррингтон, К.С. (1898). «Эксперименты по изучению периферического распределения волокон задних корней некоторых спинномозговых нервов». Труды Лондонского королевского общества. 190: 45–186. Дои:10.1098 / рстб.1898.0002.
  8. ^ Маккалок, Уоррен; Уолтер Питтс (1943). «Логический расчет идей, имманентных нервной деятельности». Бюллетень математической биофизики. 5 (4): 115–133. Дои:10.1007 / BF02478259.
  9. ^ Хебб, Дональд (1949). Организация поведения. Нью-Йорк: Вили.
  10. ^ Фарли, В .; Кларк (1954). «Моделирование самоорганизующихся систем с помощью цифрового компьютера». Сделки IRE по теории информации. 4 (4): 76–84. Дои:10.1109 / TIT.1954.1057468.
  11. ^ Rochester, N .; J.H. Холланд, Л.Х. Хабит и В.Л. Дуда (1956). «Тесты по теории сборки клеток деятельности мозга с использованием большого цифрового компьютера». Сделки IRE по теории информации. 2 (3): 80–93. Дои:10.1109 / TIT.1956.1056810.
  12. ^ Розенблатт, Ф. (1958). «Персептрон: вероятностная модель хранения и организации информации в мозге». Психологический обзор. 65 (6): 386–408. CiteSeerX  10.1.1.588.3775. Дои:10,1037 / ч0042519. PMID  13602029.
  13. ^ а б Вербос, П.Дж. (1975). Помимо регрессии: новые инструменты для прогнозирования и анализа в поведенческих науках.
  14. ^ Минский, М .; С. Паперт (1969). Введение в вычислительную геометрию. MIT Press. ISBN  978-0-262-63022-1.
  15. ^ Rumelhart, D.E .; Джеймс Макклелланд (1986). Параллельная распределенная обработка: исследования микроструктуры познания. Кембридж: MIT Press.
  16. ^ Рассел, Ингрид. «Модуль нейронных сетей». Архивировано из оригинал 29 мая 2014 г.. Проверено 2012. Проверить значения даты в: | accessdate = (помощь)
  17. ^ Маккалок, Уоррен; Питтс, Уолтер (1943). «Логическое исчисление идей, присущих нервной деятельности». Бюллетень математической биофизики. 5 (4): 115–133. Дои:10.1007 / BF02478259.
  18. ^ Коупленд, Б. Джек, изд. (2004). Существенный Тьюринг. Издательство Оксфордского университета. п. 403. ISBN  978-0-19-825080-7.
  19. ^ а б Биллингс, С. А. (2013). Нелинейная идентификация систем: методы NARMAX во временной, частотной и пространственно-временной областях. Вайли. ISBN  978-1-119-94359-4.
  20. ^ Вечорек, Шимон; Филипьяк, Доминик; Филиповска, Агата (2018). «Семантическое профилирование интересов пользователей на основе изображений с помощью нейронных сетей». Исследования в семантической сети. 36 (Новые темы в семантических технологиях). Дои:10.3233/978-1-61499-894-5-179.
  21. ^ «Нейробиологи демонстрируют, как улучшить связь между различными областями мозга». medicalxpress.com. Получено 6 сентября, 2020.
  22. ^ Резаи, Хедия; Aertsen, Ad; Кумар, Арвинд; Вализаде, Алиреза (10 августа 2020 г.). «Содействие распространению пиковой активности в сетях прямого распространения путем включения обратной связи». PLOS вычислительная биология. 16 (8): e1008033. Дои:10.1371 / journal.pcbi.1008033. ISSN  1553-7358. PMID  32776924. S2CID  221100528. CC-BY icon.svg Текст и изображения доступны под Международная лицензия Creative Commons Attribution 4.0.
  23. ^ Администратор НАСА (5 июня 2013 г.). "Центр летных исследований Драйдена - Комната новостей: Пресс-релизы: ПРОЕКТ НАСА НЕЙРОННОЙ СЕТИ ПРОХОДИТ ВЕХУ". НАСА.
  24. ^ "Защита нейронных сетей Роджером Бриджменом". Архивировано из оригинал 19 марта 2012 г.. Получено 1 августа, 2006.
  25. ^ «Масштабирование алгоритмов обучения в сторону {AI} - LISA - Публикации - Aigaion 2.0». www.iro.umontreal.ca.
  26. ^ Yang, J. J .; и другие. (2008). «Мемристивный механизм переключения для наноустройств металл / оксид / металл». Nat. Nanotechnol. 3 (7): 429–433. Дои:10.1038 / nnano.2008.160. PMID  18654568.
  27. ^ Струков, Д. Б .; и другие. (2008). «Найден пропавший мемристор». Природа. 453 (7191): 80–83. Bibcode:2008Натура.453 ... 80Х. Дои:10.1038 / природа06932. PMID  18451858.
  28. ^ «Интервью Kurzweil AI 2012 с Юргеном Шмидхубером о восьми соревнованиях, выигранных его командой Deep Learning в 2009–2012 годах». Архивировано из оригинал 31 августа 2018 г.. Получено 10 декабря, 2012.
  29. ^ Грейвс, Алекс; Шмидхубер, Юрген (2008). «Распознавание рукописного ввода в автономном режиме с помощью многомерных рекуррентных нейронных сетей». В Бенджио, Йошуа; Шурманс, Дейл; Лафферти, Джон; Уильямс, Крис К. И .; Кулотта, Арон (ред.). Достижения в системах обработки нейронной информации 21 (NIPS'21). Фонд нейронных систем обработки информации (NIPS). С. 545–552.
  30. ^ Graves, A .; Liwicki, M .; Fernandez, S .; Bertolami, R .; Bunke, H .; Шмидхубер, Дж. (2009). «Новая система коннекционистов для улучшения неограниченного распознавания почерка». IEEE Transactions по анализу шаблонов и машинному анализу. 31 (5): 855–868. CiteSeerX  10.1.1.139.4502. Дои:10.1109 / TPAMI.2008.137. PMID  19299860.
  31. ^ Хинтон, Г.Э.; Осиндеро, С .; Тех, Ю. (2006). «Алгоритм быстрого обучения для сетей глубоких убеждений» (PDF). Нейронные вычисления. 18 (7): 1527–1554. CiteSeerX  10.1.1.76.1541. Дои:10.1162 / neco.2006.18.7.1527. PMID  16764513.
  32. ^ Фукусима, К. (1980). «Неокогнитрон: модель самоорганизующейся нейронной сети для механизма распознавания образов, не зависящего от изменения положения». Биологическая кибернетика. 36 (4): 93–202. Дои:10.1007 / BF00344251. PMID  7370364.
  33. ^ Riesenhuber, M .; Поджио, Т. (1999). «Иерархические модели распознавания объектов в коре головного мозга». Природа Неврология. 2 (11): 1019–1025. Дои:10.1038/14819. PMID  10526343.
  34. ^ Д. К. Чиресан, У. Мейер, Дж. Маски, Дж. Шмидхубер. Многоколоночная глубокая нейронная сеть для классификации дорожных знаков. Нейронные сети, 2012.
  35. ^ Д. Чиресан, А. Джусти, Л. Гамбарделла, Дж. Шмидхубер. Глубокие нейронные сети сегментируют нейронные мембраны на изображениях электронной микроскопии. В достижениях в системах обработки нейронной информации (NIPS 2012), Lake Tahoe, 2012.
  36. ^ Д. К. Чиресан, У. Мейер, Я. Шмидхубер. Многоколоночные глубокие нейронные сети для классификации изображений. IEEE Conf. по компьютерному зрению и распознаванию образов CVPR 2012.

внешняя ссылка