Page 10 - 4703

ними - це означає, що синапс робить на нейрон не збуджуючу,
а гальмівну дію (у мозку є присутніми гальмівні нейрони).
Це був опис окремого нейрона. Тепер виникає питання:
як сполучати нейрони один з одним? Якщо мережу передба-
чається для чогось використати, то у неї мають бути входи
(приймаючі значення змінних із зовнішнього світу) і виходи
(прогнози або сигнали, що управляють). Входи і виходи
відповідають сенсорним і руховим нервам - наприклад,
відповідно, що йде від очей і в руки. Окрім цього, проте, в ме-
режі може бути ще багато проміжних (прихованих) нейронів,
що виконують внутрішні функції. Вхідні, приховані і вихідні
нейрони мають бути пов'язані між собою.
Ключове питання тут - зворотний зв'язок. Проста мережа
має структуру прямої передачі сигналу: сигнали проходять від
входів через приховані елементи і врешті-решт приходять на
вихідні елементи. Така структура має стійку поведінку. Якщо
ж мережа рекурентна (тобто містить обернені зв'язки, ведучі
назад від дальших до більше ближніх нейронів), то вона може
бути нестійка і мати дуже складну динаміку поведінки. Реку-
рентні мережі представляють великий інтерес для дослідників
в області нейронних мереж, проте при рішенні практичних
завдань, принаймні досі, найбільш корисними виявилися
структури прямої передачі, і саме такий тип нейронних мереж
моделюється в пакеті ST Neural Networks.
Типовий приклад мережі з прямою передачею сигналу
показаний на рисунку. Нейрони регулярним чином організо-
вані в шари. Вхідний шар служить просто для введення зна-
чень вхідних змінних. Кожен з прихованих і вихідних
нейронів сполучений з усіма елементами попереднього шару.
Можна було б розглядати мережі, в яких нейрони пов'язані
тільки з деякими з нейронів попереднього шару; проте, для
більшості додатків мережі з повною системою зв'язків прий-
нятніші, і саме такий тип мереж реалізований в пакеті ST
Neural Networks.

10