Человеческая нервная система получает и обрабатывает огромное количество сигналов, поступающих из окружающего пространства. Если эти сигналы могут быть осмыслены человеком и им могут быть сопоставлены соответствующие образы, принято говорить о работе ассоциативной памяти.
Алгоритм Левенберга-Марквардта предназначен для оптимизации параметров нелинейных регрессионных моделей. Предполагается, что в качестве критерия оптимизации используется среднеквадратичная ошибка модели на обучающей выборке. Алгоритм заключается в последовательном приближении заданных начальных значений параметров к искомому локальному оптимуму.
Искусственная нейронная сеть Хэмминга используется для решения задач классификации бинарных входных векторов. В основе ее работы лежат процедуры, направленные на выбор в качестве решения задачи классификации одного из эталонных образов, наиболее близкого к поданному на вход сети зашумленному входному образу, и отнесение данного образа к соответствующему классу. Для оценки меры близости к каждому классу используется критерий, учитывающий расстояние Хэмминга – количество различающихся переменных у зашумленного и эталонного входных образов.
Некоторые эксперименты были проведены для того, чтобы протестировать некоторые из существующих алгоритмов AIS и изучить их возможности. ClonalG и aiNet были выбраны для этого тематического исследования и протестированы на наборе данных о раке. Набор данных состоял из 693 экземпляров, а количество атрибутов — 12. Предсказанный результат этого набора данных представляет собой статус повторения, когда выход указывает на возможность того, что пациент снова получит рак в будущем. Результаты двух экспериментов обсуждаются в следующих разделах.
Развитие гибридных интеллектуальных систем (Искусственные иммунные системы. Клональный отбор. Модели иммунных систем) — одна из наиболее интенсивно развивающихся областей. Гибридные системы используют различные вычислительные методы и методы, такие как искусственные нейронные сети, нечеткие системы, искусственные иммунные системы, эволюционные вычисления и генетические алгоритмы. Основная цель состоит в интеграции различных методов обучения и адаптации для преодоления индивидуальных ограничений и достижения синергетического эффекта посредством сочетания этих методов. Это вносит большой вклад в развитие большого количества новых интеллектуальных систем в последние годы.
Было разработано несколько искусственных иммунных алгоритмов (Искусственные иммунные системы. Основные понятия), имитирующих теорию отбора клона.
Кастро и Зубен (Castro and Zuben, 2002) предложили клональный алгоритм отбора CLONALG для обучения и оптимизации, CLONALG генерирует популяцию из N антител, каждая из которых определяет случайное решение для процесса оптимизации.
Искусственные иммунные системы (AIS) — это вычислительные парадигмы, принадлежащие к семейству вычислительных интеллектуальных систем, которые произошли от биологической иммунной системой. В течение последнего десятилетия они привлекли большой интерес со стороны исследователей которые стремятся разработать иммунные модели и методы для решения сложных вычислительных и инженерных проблем. В этой работе представлен обзор существующих моделей и алгоритмов AIS с акцентом на последние пять лет.
Одна из характерных особенностей человеческой памяти – возможность ассоциации каких-либо объектов (образов) с другими, непохожими на них или даже с образами-антагонистами. Так, например, в первом случае понятие «зима» ассоциируется с понятием «холод», «праздник» – с «подарком». В случае противоположностей мозгом легко выстраиваются пары: «черный» – «белый», «большой» – «маленький».
Человеческий мозг непрерывно занимается обработкой информации, поступающей от органов чувств: звуки, запахи, изображения и т. д. Бо́льшая часть такой информации не представляет интереса или неважна и поэтому игнорируется. Однако та небольшая ее составляющая, что имеет ценность, должна быть не только обработана, но и сохранена в долговременной памяти. Важно понимать, что при этом не только новые образы должны запоминаться, но также должны идентифицироваться ранее встречавшиеся. В свою очередь, запоминание новых образов не должно влиять на образы, хранящиеся в памяти.
Нейронные сети Кохонена типичный пример нейросетевой архитектуры, обучающейся без учителя. Отсюда и перечень решаемых ими задач: кластеризация данных или прогнозирование свойств. Кроме того, сети Кохонена могут использоваться с целью уменьшения размерности данных с минимальной потерей информации.
Искусственные нейронные сети на основе радиально-симметричных (радиально-базисных) функций могут использоваться для решения широкого круга задач, среди которых наиболее частые – аппроксимация, классификация и кластеризация данных.
Многослойные перцептроны эффективны при решении тех же самых задач, что и однослойные перцептроны, но обладают значительно большей вычислительной способностью в сравнении с однослойными перцептронами. Благодаря этой своей способности они могут гораздо точнее описывать многомерные зависимости с большой степенью нелинейности и высоким уровнем перекрестного и группового влияния входных переменных на выходные.
В современном понимании перцептроны представляют собой однослойные или многослойные искусственные нейронные сети прямого распространения с бинарными или аналоговыми выходными сигналами, обучающиеся с учителем. Они хорошо подходят для решения нескольких типов задач: аппроксимации данных, прогнозирования состояния на основе временного ряда, распознавания образов и классификации, а также могут быть использованы в других задачах сами по себе или совместно с другими методами моделирования.