Мы научили сеть множеству эталонов — вплоть до сформированных в обобщенные. Теперь, подавая на вход даже искаженные образы, можно ответить на вопрос «На какой эталон в большей мере он похож?» С помощью максимально возбужденного нейрона выходного слоя ответ будет найден. Рассмотрим далее более внимательно пороги.
Что если установить ограничение на величину возбуждения нейронов выходного слоя? А именно если величина максимального возбуждения меньше порога Н, следует считать, что сеть не знает, что за образ подан на ее вход, и вправе рассматривать его как новый эталон для обучения. Тогда необходимо найти свободный нейрон выходного слоя и по вышеприведенному алгоритму произвести трассировку.
Так проводится запоминание эталона. Для последующего использования новых знаний трудно обойтись без внешнего воздействия, без учителя, ибо неизбежен вопрос «Что это, и что из этого следует?» Ведь длителен путь эволюции, основанный на самообучении, без поддержки извне. Таким образом, решение, принимаемое при предъявлении нового эталона, выбирается на основе расчетов, моделирования, опыта, цели, экспертных оценок и т.д.
Представим себе возможный диалог между нейрокомпьютером (НК) и учителем (У):
НК (Величина возбуждения ни одного нейрона выходного слоя не преодолела порог): Это чтото новенькое! Повтори вопрос, может, величины возбуждения на входе малы?
У: Повторяю вопрос.
ИК (Результат тот же): Все же это чтото новенькое. Приводит ли это к одному из известных решений или решение новое?
У (Варианты):
1. Это должно привести к решению RS.
2. Это новое решение R6.
НК (Соответствующие варианты):
1. Произвожу трассировку по уточненному обобщенному эталону для решения R5.
2. Рассматриваю твой вопрос как новый обобщенный эталон. Провожу трассировку к выходному нейрону Вых6, соответствующему решению R6.
Здесь идет самообучение системы «учитель — нейрокомпьютер». Полное или близкое к нему самостоятельное обучение нейрокомпьютера возможно тогда, когда сеть многоуровневая, т. е. одни выводы являются посылками для других. При этом сеть должна быть знакома хотя бы с понятиями «хорошо» и «плохо», т. е. учитывать критериальную функцию, необходимую для моделирования. Это высшие сферы обучения (самообучения), которые мы здесь не рассматриваем.
Любая достаточно развитая нейросетевая система должна быть многоуровневой, допускающей цепочки выводов. Иначе трудно представить себе такие диалоговые системы, с помощью которых производится постепенное уточнение при успешном продвижении к истине.
Например, диалог в процессе медицинской диагностики формируется, несомненно, на основе отработанной стратегии «допроса». Предполагается, что вопросы структурированы и даже соблюдают порядок следования, отображенный графически, так что одни вопросы исключают другие.
В то же время принцип нейросети применим и тогда, когда вопросы нелогичны, несовместимы. Возбуждения всех нейронов выходного слоя не превысят порога, и НК вступит в диалог с пользователем (П), подобный предыдущему. Если же ответ на логичный вопрос не был предусмотрен экспертами (учителем), то этот недостаток устраним трассировкой нового решения. Правда, новым решением — реакцией на вопрос может быть ответ: «Не задавай глупых вопросов!»
В общем случае диалог пользователя с нейрокомпьютером может выглядеть следующим образом:
НК (Первый вопрос после входа): Что у Вас болит?
П: Голова, живот, палец.
НК (После ввода и обработки сигналов — величин возбуждения нейронов входного слоя, соответствующих понятиям «голова», "живот", «левый указательный палец», максимально возбуждается нейрон промежуточного выходного слоя, инициирующий следующий вопрос): Молились ли Вы на сон грядущий?
Л: Да.
НК: Мыли ли Вы руки, ложась спать?
П (Варианты):
1. Я мою только ноги.
2. Нет.
НК (Варианты):
1. Не задавайте глупых вопросов!
2. (На правах рекламы) Не волнуйтесь, но Вы страдаете манией величия. Вам срочно необходимо обратиться в Пенсионный фонд Российской Федерации!
