Несмотря на широкий спектр возможностей ИНС, решению задач с их помощью сопутствует ряд недостатков:
- большинство подходов для проектирования ИНС являются эвристическими и часто не приводят к однозначным решениям;
- для построения модели объекта на основе ИНС требуется выполнение многоцикловой настройки внутренних элементов и связей между ними;
- проблемы, возникающие при подготовке обучающей выборки, связанные с трудностями нахождения достаточного количества обучающих примеров;
- обучение сети в ряде случаев приводит к тупиковым ситуациям;
- продолжительные временные затраты на выполнение процедуры обучения зачастую не позволяют применять ИНС в системах реального времени;
- поведение обученной ИНС не всегда может быть однозначно предсказуемо, что увеличивает риск применения ИНС для управления дорогостоящими техническими объектами;
- большинство известных коммерческих продуктов схемотехнической реализации нейронных сетей, выполняются в виде сверхбольших интегральных схем (СБИС), которые сегодня трудно назвать широкодоступными и др.
Поиск оптимального соотношения параметров нейросетевых моделей и их характеристик в каждом конкретном случае является одной из ключевых задач, для эффективного решения которой необходим широкий спектр методов, алгоритмов и программ синтеза, различающихся по объему вычислений, качеству получаемых результатов, времени поиска решения, способам представления данных.
Эти обстоятельства позволяют отметить актуальность разработки новых алгоритмов для подбора обучающих примеров, ориентированных на минимизацию аппаратурных затрат при последующей реализации ИНС.
Учитывая, перечисленные выше недостатки, можно сделать заключение о том, что выбор типа нейронной сети и создания нейросетевой модели для какой-либо задачи является трудоемким процессом и порой может не принести удовлетворительных результатов. В качестве решения подобной весьма распространенной проблемы предлагается разработка алгоритмов, инструментальных программных средств и методики для автоматического получения формального описания аппроксимирующих нейронных сетей.
Для достижения поставленной цели в работе решаются следующие задачи:
1. Разработка аппарата аналитического описания аппроксимирующих ИНС, где количество нейронов является минимизированным для наперед заданной величины погрешности.
2. Разработка методики определения параметров (методики обучения) ИНС указанного класса.
3. Разработка алгоритма формирования обучающей выборки для аппроксимирующих ИНС и соответствующего математического обоснования.
4. Подготовка инструментальной программной системы для синтеза формального описания нейросетевых моделей указанного класса.
5. Осуществление анализа возможности создания и использования спецвычислителей (нейросетевых аппроксиматоров) на базе устройств с программируемой логикой.
Практическая ценность данной работы состоит в том, что разработанная методика синтеза ИНС позволяет в автоматическом режиме получать формальное описание нейросетевых моделей, где количество нейронов является минимизированным для наперед заданной величины погрешности.
Алгоритмы, разработанные для анализа моделируемых объектов, позволяют проводить оперативный контроль их нелинейностей непосредственно по ходу исследования.
На основе формального описания нейросетевых моделей предоставляется возможность выбора одного из проанализированных вариантов их реализации в аппаратном или программном виде.
Данная работа представляет интерес для решения задач синтеза и программной/аппаратной реализации аппроксимирующих ИНС. Особый интерес представляет использование алгоритма целенаправленного формирования обучающей выборки для последующего создания нейросетевой модели. В частности, характерным примером эффективного использования практически всех полученных в диссертационной работе результатов является применение разработанной нейросетевой модели для определения оптимального давления кислорода в бароаппарате при проведения сеансов гипербарической оксигенации у больных с огнестрельными ранениями.