Обзор современного состояния кортикальных алгоритмов и их применение для анализа сигналов в реальном времени::Журнал СА
www.samag.ru
     
Поиск   
              
 www.samag.ru    Web  0 товаров , сумма 0 руб.
E-mail
Пароль  
 Запомнить меня
Регистрация | Забыли пароль?
Журнал "Системный администратор"
Журнал «БИТ»
Наука и технологии
Подписка
Где купить
Авторам
Рекламодателям
Архив номеров
Контакты
   

  Опросы
1001 и 1 книга  
19.03.2018г.
Просмотров: 9314
Комментарии: 0
Потоковая обработка данных

 Читать далее...

19.03.2018г.
Просмотров: 7525
Комментарии: 0
Релевантный поиск с использованием Elasticsearch и Solr

 Читать далее...

19.03.2018г.
Просмотров: 7631
Комментарии: 0
Конкурентное программирование на SCALA

 Читать далее...

19.03.2018г.
Просмотров: 4897
Комментарии: 0
Машинное обучение с использованием библиотеки Н2О

 Читать далее...

12.03.2018г.
Просмотров: 5579
Комментарии: 0
Особенности киберпреступлений в России: инструменты нападения и защита информации

 Читать далее...

Друзья сайта  

 Обзор современного состояния кортикальных алгоритмов и их применение для анализа сигналов в реальном времени

Архив номеров / 2022 / Выпуск №11 (240) / Обзор современного состояния кортикальных алгоритмов и их применение для анализа сигналов в реальном времени

Рубрика: Наука и технологии /  Раздел для научных публикаций

Старолетов С.М.,
к.ф.-м.н., доцент кафедры «Прикладная математика» АлтГТУ имени И.И. Ползунова, serg_soft@mail.ru

 

Обзор современного состояния
кортикальных алгоритмов и их применение для анализа сигналов в реальном времени

Статья посвящена обзору концепций иерархической темпоральной памяти и модели тысячи умов, предложенных исследователем биологических моделей искусственного интеллекта Джеффом Хокинсом. Этот ученый стоял у истоков мобильных компьютеров, создав и развив компанию Palm, тем не менее, основной его целью на протяжении жизни является реинжиниринг процессов в неокортексе человеческого мозга для создания новых моделей интеллекта, не связанных с искусственными нейронными сетями, а принимающих во внимание изученные алгоритмы обучения и распознавания в головном мозге млекопитающих. В настоящей статье автор на основе литературы и своего опыта реализации проанализирует основные концепции данных моделей. Также будут рассмотрены программное обеспечение, предложенное компанией Numenta, а также применение данных моделей в программной инженерии.

 

Введение

В настоящее время в мире искусственного интеллекта превалирует концепция искусственных нейронных сетей, которые представляют развитие модели перцептрона, созданной в 1960х годах [1]. Такая концепциях предполагает создание моделей в виде многосвязных графов типа входные данные -> промежуточные слои -> выходные данные с обучением на большом наборе известных входных и выходных значений с целью подбора коэффициентов сети, которые позволяют далее подавать на вход в том числе и другие наборы данных и получать на выходе некоторую аппроксимацию. Для получения адекватного результата необходимо большое количество входов, промежуточных слоев и большая обучающая выборка, а также специально оптимизированные алгоритмы, что в совокупности называется глубинным обучением или «deep learning» [2].

 

<...>

Ключевые слова: HTM; сенсорно-моторная система; биоподобные алгоритмы


Полную версию статьи читайте в журнале
Подпишитесь на журнал
Купите в Интернет-магазине

Комментарии отсутствуют

Добавить комментарий

Комментарии могут оставлять только зарегистрированные пользователи

               Copyright © Системный администратор

Яндекс.Метрика
Tel.: (499) 277-12-41
Fax: (499) 277-12-45
E-mail: sa@samag.ru