Neurotietokone

Neurotietokone on luonnollisten hermojärjestelmien toimintaperiaatteisiin perustuva  tiedonkäsittelylaite [1] . Nämä periaatteet formalisoitiin, mikä teki mahdolliseksi puhua keinotekoisten hermoverkkojen teoriasta . Neurotietokoneiden ongelmana on todellisten fyysisten laitteiden rakentaminen, mikä mahdollistaa keinotekoisten hermoverkkojen simuloinnin tavanomaisella tietokoneella , mutta myös muuttaa tietokoneen toiminnan periaatteita siten, että on mahdollista sanoa niiden toimivan. keinotekoisten hermoverkkojen teorian mukaisesti .

Historia

Termit neurokybernetiikka , neuroinformatiikka, neurotietokoneet tulivat tieteelliseen käyttöön äskettäin - 1980-luvun puolivälissä. Elektronisia ja biologisia aivoja on kuitenkin verrattu jatkuvasti läpi tietojenkäsittelyn historian. N. Wienerin kuuluisalla kirjalla " Kybernetiikka " ( 1948 ) [2] on alaotsikko "Control and Communication in the Animal and the Machine".

Ensimmäiset neurotietokoneet olivat Rosenblatin perceptronit : Mark-1 ( 1958 ) ja Tobermory ( 1961-1967 ) [ 3] sekä Widrow'n kehittämä Adalin .ja Hoff ( 1960 ) delta-säännön perusteella ( Widrow'n kaavat ) [4] . Adaline ( widrow learning adaptive adder ) on nyt vakioominaisuus monissa signaalinkäsittely- ja viestintäjärjestelmissä. [5] Samassa sarjassa ensimmäisiä neurotietokoneita on ohjelma "Kora", joka kehitettiin vuonna 1961 M. M. Bongardin johdolla [6] .

Rosenblattin monografialla ( 1958 ) [7] oli tärkeä rooli neurocomputingin kehityksessä .

Ajatusta neurobioniikasta (neuroperiaatteisiin perustuvien teknisten välineiden luominen) alettiin toteuttaa aktiivisesti 1980-luvun alussa. Sysäyksenä oli seuraava ristiriita: tietokoneiden alkeisosien mitat tulivat yhtä suureksi kuin hermoston elementaaristen "informaatiomuuntajien" mitat, yksittäisten elektronisten elementtien nopeus saavutettiin miljoonia kertoja suurempi kuin biologisten järjestelmien, ja ongelmanratkaisun tehokkuus, erityisesti siihen liittyvät perehdyttämis- ja päätöksentekotehtävät luonnonympäristössä, elävissä järjestelmissä on edelleen saavuttamattomissa.

Toisen sysäyksen neurotietokoneiden kehitykselle antoi 1980-luvun teoreettinen kehitys neuroverkkoteoriasta ( Hopfield- verkot , Kohosen verkot , backpropagation ).

Pääideana on konnektionismi

Toisin kuin digitaaliset järjestelmät, jotka ovat prosessointi- ja tallennusyksiköiden yhdistelmiä , neuroprosessorit sisältävät muistia , joka on jaettu yhteyksiin hyvin yksinkertaisten prosessorien välillä, joita voidaan usein kuvata muodollisiksi neuroneiksi tai samantyyppisten muodollisten neuronien lohkoiksi. Siten prosessorien pääkuorma tiettyjen toimintojen suorittamiseen kohdistuu järjestelmän arkkitehtuuriin, jonka yksityiskohdat puolestaan ​​​​määräytyvät neuronaalisten yhteyksien avulla. Lähestymistapaa, joka perustuu sekä tietomuistin että algoritmien esittämiseen linkkijärjestelmällä (ja niiden painoilla), kutsutaan konnektionismiksi.

Neurotietokoneiden kolme tärkeintä etua:

  1. Kaikki neuroinformatiikan algoritmit ovat erittäin rinnakkaisia , ja tämä on jo tae korkeasta suorituskyvystä.
  2. Neurosysteemit voidaan helposti tehdä erittäin kestäviksi häiriöille ja häiriöille.
  3. Epäluotettavista elementeistä voidaan luoda myös vakaita ja luotettavia hermosysteemejä, joilla on merkittävä parametrien hajonta.

Neurotietokoneiden kehittäjät pyrkivät yhdistämään AVM:iden eli analogisten tietokoneiden vakauden, nopeuden ja rinnakkaisuuden nykyaikaisten tietokoneiden monipuolisuuteen. [kahdeksan]

Tehokkaan rinnakkaisuuden ongelma

A. Gorban [9] ehdotti tehokkaan rinnakkaisuuden ongelmaa kaikkien neuroinformatiikan ja neurotietokoneiden ratkaiseman keskeisen ongelman rooliksi . On pitkään tiedetty, että tietokoneen suorituskyky kasvaa paljon hitaammin kuin prosessorien määrä. M. Minsky muotoili hypoteesin : rinnakkaisen järjestelmän suorituskyky kasvaa (suunnilleen) suhteessa prosessorien lukumäärän logaritmiin - tämä on paljon hitaampaa kuin lineaarinen funktio ( Minskyn hypoteesi ).

Tämän rajoituksen voittamiseksi käytetään seuraavaa lähestymistapaa: useille ongelmaluokille rakennetaan mahdollisimman rinnakkaisia ​​ratkaisualgoritmeja, jotka käyttävät jotakin abstraktia hienorakeisen rinnakkaisuuden arkkitehtuuria (paradigmaa), ja tietyille rinnakkaisille tietokoneille työkaluja rinnakkaisten prosessien toteuttamiseen. abstraktia arkkitehtuuria luodaan. Tämän seurauksena syntyy tehokas laite rinnakkaisten ohjelmien tuottamiseksi.

Neuroinformatiikka tarjoaa yleismaailmallisia hienojakoisia rinnakkaisarkkitehtuureja erilaisten ongelmien ratkaisemiseen. Tiettyjä tehtäviä varten rakennetaan ratkaisualgoritmin abstrakti neuroverkkototeutus, joka sitten toteutetaan tietyillä rinnakkaisilla laskentalaitteilla. Näin ollen neuroverkot mahdollistavat rinnakkaisuuden tehokkaan käytön.

Nykyaikaiset neurotietokoneet

Monien tutkimusryhmien pitkäjänteinen työ on johtanut siihen, että tähän mennessä on kertynyt suuri määrä erilaisia ​​neuroverkkojen ”oppimissääntöjä” ja -arkkitehtuureja , niiden laitteistototeutuksia ja tekniikoita neuroverkkojen käyttämiseksi sovellettavien ongelmien ratkaisemiseen.

Nämä älylliset keksinnöt [10] ovat olemassa neuroverkkojen " eläintarhana ". Jokaisella eläintarhaverkostolla on oma arkkitehtuurinsa, oppimissääntönsä ja se ratkaisee tietyn joukon ongelmia. Viimeisen vuosikymmenen aikana on tehty vakavia ponnisteluja rakenteellisten elementtien standardoimiseksi ja tämän "eläintarhan" muuttamiseksi " teknopuistoksi " [11] : jokainen eläintarhan hermoverkko on toteutettu ihanteelliseen universaaliin neurotietokoneeseen, jolla on tietty rakenne.

Perussäännöt ihanteellisen neurotietokoneen toiminnallisten komponenttien korostamiseksi ( Mirkesin mukaan ):

  1. Suhteellinen toiminnallinen eristys: jokaisella komponentilla on selkeä joukko toimintoja. Sen vuorovaikutusta muiden komponenttien kanssa voidaan kuvata pieneksi määräksi pyyntöjä.
  2. Mahdollisuus vaihtaa minkä tahansa komponentin eri toteutuksia muuttamatta muita komponentteja.

Neurotietokoneiden markkinat ovat vähitellen kehittymässä . Tällä hetkellä erilaisia ​​erittäin rinnakkaisia ​​neurokiihdyttimiä [12] ( koprosessorit ) käytetään laajasti erilaisiin tehtäviin. Yleisiä neurotietokoneita on markkinoilla vähän, osittain siksi, että suurin osa niistä on toteutettu erikoissovelluksiin. Esimerkkejä neurotietokoneista ovat Synapse neurocomputer (Siemens, Saksa), [13] NeuroMatrix- prosessori [14] . Tieteellinen ja tekninen erikoislehti "Neurocomputers: development, application" julkaistaan ​​[15] . Neurotietokoneita koskevia vuosittaisia ​​konferensseja järjestetään [16] . Teknisestä näkökulmasta nykypäivän neurotietokoneet ovat laskentajärjestelmiä, joissa on rinnakkaiset identtisten komentojen virrat ja useita tietovirtoja (MSIMD-arkkitehtuuri). Tämä on yksi tärkeimmistä suunnasta massiivisesti rinnakkaisten laskentajärjestelmien kehittämisessä .

Keinotekoinen hermoverkko voidaan siirtää (neuro)tietokoneelta (neuro)tietokoneelle, aivan kuten tietokoneohjelma. Lisäksi sen pohjalta voidaan luoda erikoistuneita nopeita analogisia laitteita. On olemassa useita eri tasoja hermoverkon vieraantumiselle universaalista (neuro)tietokoneesta [17] : verkosta, joka on koulutettu universaalilla laitteella ja joka käyttää monipuolisia kykyjä tehtäväkirjan käsittelyyn, oppimisalgoritmeihin ja arkkitehtuurin muokkaamiseen, täydelliseen vieraantumiseen ilman oppimista. ja muokkausmahdollisuudet, vain koulutetun verkon toiminta .

Yksi tapa valmistaa hermoverkko lähetystä varten on sen verbalisointi : koulutettu hermoverkko minimoidaan säilyttäen samalla hyödylliset taidot. Minimoidun verkon kuvaus on kompaktimpi ja mahdollistaa usein selkeän tulkinnan.

New twist - Wetware

Neurolaskennassa on vähitellen kypsymässä uusi suunta, joka perustuu biologisten hermosolujen kytkemiseen elektronisiin elementteihin. Analogisesti Ohjelmiston ( ohjelmisto ) ja Hardwaren (elektroninen laitteisto ) kanssa näitä kehityssuuntia kutsuttiin Wetware .

Tällä hetkellä on jo olemassa tekniikka biologisten hermosolujen yhdistämiseksi subminiatyyreisiin kenttätransistoreihin nanokuitujen avulla Nanowire[18] Kehityksessä käytetään modernia nanoteknologiaa . Erityisesti hiilinanoputkia käytetään luomaan yhteyksiä neuronien ja elektronisten laitteiden välille . [19]

Toinen määritelmä termille "Wetware" on myös yleinen - ihmiskomponentti "ihmis-tietokone" -järjestelmissä.

Sovellukset

  1. Reaaliaikainen ohjaus [20] [21] , mukaan lukien:
    • lentokoneet ja ohjukset [22] ,
    • jatkuvan tuotannon teknologiset prosessit (energiassa, metallurgiassa jne.) [23] ,
    • hybridi (sähköbensiini) auton moottori [24] ,
    • pneumaattinen sylinteri [25] ,
    • hitsauskone [26] ,
    • sähköuuni [27] ,
    • turbogeneraattori [28] .
  2. Kuvion tunnistus :
    • kuvat [29] , ihmisten kasvot [30] , kirjaimet ja hieroglyfit, sormenjäljet ​​oikeuslääketieteessä, puhe, tutka- ja kaikuluotainsignaalit,
    • alkuainehiukkaset ja niiden kanssa tapahtuvat fysikaaliset prosessit (kokeet kiihdyttimillä tai kosmisten säteiden havainnointi),
    • sairaudet oireiden mukaan (lääketieteessä) [31] ,
    • alueet, joista mineraaleja pitäisi etsiä (geologiassa epäsuorilla merkeillä),
    • vaaran merkkejä turvajärjestelmissä,
    • kemiallisten yhdisteiden ominaisuudet rakenteen mukaan ( kemoinformatiikassa ) [32]
  3. Reaaliaikainen ennuste :
    • sää,
    • osakekurssi (ja muut taloudelliset indikaattorit) [33] ,
    • hoidon tulos,
    • poliittiset tapahtumat (vaalitulokset, kansainväliset suhteet jne.) [34] [35] ,
    • vihollisen (todellisen tai potentiaalisen) käyttäytyminen sotilaallisessa konfliktissa ja taloudellisessa kilpailussa,
    • parisuhteiden kestävyys.
  4. Optimointi  – parhaiden vaihtoehtojen löytäminen:
    • kun suunnitellaan teknisiä laitteita, [36]
    • valittaessa talousstrategiaa,
    • valittaessa joukkuetta (yrityksen työntekijöistä urheilijoihin ja naparetkien osallistujiin),
    • hoidettaessa potilasta.
  5. Signaalinkäsittely suuren melun läsnä ollessa.
  6. Proteesit ("älykkäät proteesit ") ja luonnollisten toimintojen parantaminen [37] , mukaan lukien ihmisen hermoston suora yhdistäminen tietokoneisiin ( Neuro-tietokoneliitäntä ).
  7. Psykodiagnostiikka [38] [39] [40]
  8. Tietoliikennepetokset , sen havaitseminen ja estäminen hermoverkkoteknologioiden avulla on joidenkin asiantuntijoiden mukaan [41] yksi lupaavimpia teknologioita tietoliikenneverkkojen tietoturvan alalla.
  9. Tietoturva [42]

Katso myös

Kirjallisuus

Muistiinpanot

  1. ↑ Dunin-Barkovsky V. L. , Neurocybernetics, Neuroinformatics, Neurocomputers Arkistokopio 19. elokuuta 2017 Wayback Machinessa , Kirjassa: Neuroinformatics / A. N. Gorban, V. L. Dunin-Barkovsky, A. N. Kirdin ja jne.: - Science No. Siberian Enterprise RAS, 1998. - 296, ISBN 5-02-031410-2
  2. ↑ Wiener N. , Kybernetiikka tai ohjaus ja viestintä eläimissä ja koneissa. Arkistoitu 13. huhtikuuta 2010 Wayback Machinen / Per. englannista. I. V. Solovjov ja G. N. Povarov; Ed. G.N. Povarova. – 2. painos. - M.: Nauka, 1983. - 344 s.
  3. ↑ Neuraaliverkot - silloin ja nyt . Haettu 9. maaliskuuta 2011. Arkistoitu alkuperäisestä 30. elokuuta 2017.
  4. ↑ Korolev L. N. Neurocomputing , hermoverkot ja neurotietokoneet Arkistokopio 6. syyskuuta 2008 Wayback Machinessa
  5. ↑ Widrow B., Stearns S. , Adaptive Signal Processing. - M .: Radio ja viestintä, 1989. - 440 s.
  6. ↑ Bongard M. M. , Tunnistuksen ongelma Arkistokopio 4. maaliskuuta 2016 Wayback Machinessa M .: Fizmatgiz , 1967. Toinen kopio verkossa: [1] (linkki ei saavutettavissa) 
  7. ↑ Rosenblatt, F. Perceptron: Todennäköisyysmalli tiedon tallentamiseen ja järjestämiseen aivoissa. Julkaisussa Psychological Review, Voi. 65, nro. 6, s. 386-408, marraskuu 1958. Lancaster, PA ja Washington, DC: American Psychological Association, 1958. Rosenblatt, F. Principles of Neurodynamics. Perceptronit ja aivomekanismien teoria Arkistokopio päivätty 10. marraskuuta 2007 Wayback Machinessa  - M .: Mir, 1965.
  8. ↑ Gorban A. N. Neurocomputer tai Analog Renaissance Archival -kopio , päivätty 12. toukokuuta 2013, Wayback Machine , PC World, 1994, nro 10, 126-130.
  9. ↑ Gorban A.N. , Keitä me olemme, minne olemme menossa, miten voimme mitata polkumme? Arkistokopio päivätty 14. elokuuta 2009 Wayback Machinessa , täysistuntoraportti Neuroinformatics-99 -konferenssin avajaisissa, MEPhI, 20. tammikuuta 1999. Lehden versio: Gorban A.N. , Neuroinformatics: keitä olemme, minne olemme menossa, miten mittaa polkumme // Laskennallinen tekniikka. - M.: Mashinostroenie. - 2000. - Nro 4. - S. 10-14. = Gorban AN , Neuroinformatiikka: Mitä me olemme, minne olemme menossa, miten mittaamme tiemme? Arkistoitu 17. helmikuuta 2016 Wayback Machinessa The Lecture at the USA-NIS Neurocomputing Opportunities Workshop, Washington DC, heinäkuu 1999 (Associated with IJCNN'99 )
  10. ↑ Saveljev A. V. , Neurotietokoneet keksinnöissä // Neurotietokoneet: kehitys, sovellus. Arkistokopio päivätty 11. syyskuuta 2016 Wayback Machinessa , M. Radiotekhnika, 2004, nro 2-3, s. 33-49.
  11. ↑ Mirkes E.M. , Neurocomputer. Standardin luonnos. Arkistokopio päivätty 15. kesäkuuta 2009 Wayback Machinessa  - Novosibirsk: Nauka, 1999. - 337, ISBN 5-02-031409-9 Muut verkkokopiot: Arkistoitu kopio . Haettu 15. lokakuuta 2008. Arkistoitu alkuperäisestä 3. heinäkuuta 2009.
  12. ↑ Saveljev A.V. , Neurokiihdytin. Neuraaliverkkokiihdytin // Varmenne. tietokoneohjelman rekisteröinnistä nro 2003610307, ​​hakemus 2002612174, 2003.
  13. ↑ Shakhnov V., Vlasov A., Kuznetsov A. , Neurotietokoneet - arkkitehtuuri ja toteutus. Osa 1. Arkistoitu 9. lokakuuta 2008, Wayback Machine ChipNews, 2000, N 5; Osa 2. Neurotietokoneiden elementtikanta. Arkistoitu 17. elokuuta 2009 Wayback Machine ChipNewsissa, 2000, N 6; Osa 3. Neurotietokoneiden laitteistototeutus. Arkistoitu 9. lokakuuta 2008 Wayback Machine ChipNewsissa, 2001, 1.
  14. ↑ [https://web.archive.org/web/20161012222905/http://www.module.ru/ruproducts/proc/nm6403.shtml Arkistoitu 12. lokakuuta 2016, Wayback Machine Digital Signal Processor L1879VM1 (NM6403 ) "Moduuli" ]
  15. ↑ Lehti "Neurotietokoneet: kehitys, sovellus". Arkistoitu 11. syyskuuta 2016 Wayback Machineen
  16. ↑ Saveljev A.V. X KOKOVENÄJÄINEN TIETEELLINEN KONFERENSSI "NEUROTIETOKONEET JA NIIDEN SOVELLUKSET" NKP-201 Arkistoitu 27. maaliskuuta 2012 Wayback Machinessa
  17. ↑ Gorban A. N. Neuroverkkojen koulutus , toim. Neuvostoliiton ja Yhdysvaltojen yhteisyritys "Paragraph", 1990, 160 s.
  18. ↑ Patolsky F., Timko BP, Yu G., Fang Y., Greytak AB, Zheng G. ja Lieber CM "Neuronaalisten signaalien havaitseminen, stimulointi ja estäminen  korkeatiheyksisilla nanolankatransistoriryhmillä //"  - 25. elokuuta 2006. - Iss. 313 , nro. 5790 . - s. 1100-1104 . - doi : 10.1126/tiede.1128640 .
  19. ↑ Mazzatenta A., Giugliano M., Campidelli S., Gambazzi L., Businaro L., Markram H., Prato M. ja Ballerini L. “Neuronien liittäminen hiilinanoputkiin: sähköisen signaalin siirto ja synaptinen stimulaatio viljellyissä aivopiireissä »  (englanniksi)  // The Journal of Neuroscience. - 27. kesäkuuta 2007. - Ei. 27 . - P. 6931-6936 . - doi : 10.1523/JNEUROSCI.1051-07.2007 .
  20. ↑ Terekhov V. A., Efimov D. V., Tyukin I. Yu. Neuroverkkojen ohjausjärjestelmät. - M .: Higher School , 2002. - S. 184. - ISBN 5-06-004094-1 .
  21. ↑ Tyukin I. Yu., Terekhov V. A. , Sopeutuminen epälineaarisissa dynaamisissa järjestelmissä Arkistokopio päivätty 2. marraskuuta 2012 Wayback Machinessa , (Sarja: Synergetics: menneisyydestä tulevaisuuteen), Pietari: LKI, 2008. - 384 s. . ISBN 978-5-382-00487-7
  22. ↑ Neurotietokoneiden käyttö raketti- ja avaruusteknologiassa. Yhteenveto artikkeleista. Efimov V. V. (toim.). - M .: Radiotekniikka, 2006. - 144 C.
  23. ↑ Galushkin A.I. Neurotietokoneiden soveltaminen tehojärjestelmissä , M.: Neurotietokoneiden tieteellinen keskus, 1997.
  24. ↑ Danil V. Prokhorov. Toyota Prius HEV Neurocontrol ja diagnostiikka , hermoverkot. – 2008. – Ei. 21. - s. 458 - 465
  25. ↑ Zmeu K.V., Markov N.A., Shipitko I.A., Notkin B.S. Malliton ennustava käänteinen neurokontrolli regeneroidulla referenssitransientilla // Älykkäät järjestelmät. - 2009. - Nro 3. - P. 109 - 117. . Haettu 30. lokakuuta 2011. Arkistoitu alkuperäisestä 27. syyskuuta 2016.
  26. ↑ D'Emilia G., Marrab A., Natalea E. Hermoverkkojen käyttö PID-ohjaimen nopeaan ja tarkkaan automaattiseen viritykseen // Robotics and Computer-Integrated Manufacturing. - 2007. - Voi. 23. - s. 170 - 179.
  27. ↑ Dias FM, Mota AM Eri ohjausstrategioiden vertailu hermoverkkoja käyttämällä // 9th Mediterranean Conference on Control and Automation. – Dubrovnik, Kroatia, 2001 . Haettu 30. lokakuuta 2011. Arkistoitu alkuperäisestä 27. syyskuuta 2016.
  28. ↑ Venayagamoorthy GK, Harley RG, Wunsch DC Adaptive Critic -based neurocontrollers Implementation for Turbogenerators in A Multimachine Power System, IEEE Transactions on Neural Networks. - 2003. - Voi. 14, numero 5. - P. 1047 - 1064. (linkki, jota ei voi käyttää) . Haettu 30. lokakuuta 2011. Arkistoitu alkuperäisestä 12. kesäkuuta 2010. 
  29. ↑ Ruaro ME, Bonifazi P. ja Torre V., Toward the Neurocomputer: Image Processing and Pattern Recognition With Neuronal Cultures Arkistoitu 6. toukokuuta 2006 Wayback Machinessa , IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 52, NO. 3, MAALISKUU 2005, 371-383.
  30. ↑ Micheli-Tzanakou, E., Uyeda, E., Ray, R., Sharma, A., Ramanujan, R., Dong, J. , Comparison of Neural Network Algorithms for Face Recognition, SIMULATION 65 (1995), 37- 51
  31. ↑ Rossiev D. A. , Medical Neuroinformatics Arkistokopio 19. elokuuta 2017 Wayback Machinessa , Kirjassa: Neuroinformatics / A. N. Gorban, V. L. Dunin-Barkovsky, A. N. Kirdin ja muut - Novosibirsk: The Science. Venäjän tiedeakatemian Siperian yritys, 1998. - 296 s.
  32. ↑ I. I. Baskin, V. A. Paljulin, N. S. Zefirov. Keinotekoisten hermoverkkojen soveltaminen kemiallisten yhdisteiden ominaisuuksien ennustamiseen // Neurotietokoneet: kehitys, sovellus. - 2005. - nro 1 - 2. - S. 98 - 101.
  33. ↑ Galushkin A.I. , Neurotietokoneiden sovellukset taloudellisessa toiminnassa. Arkistoitu 10. kesäkuuta 2008 Wayback Machinessa
  34. ↑ Mirkes E. M. , Loogisesti läpinäkyvät neuroverkot ja eksplisiittisen tiedon tuottaminen tiedoista Arkistokopio 19. elokuuta 2017 Wayback Machinessa , Kirjassa: Neuroinformatiikka / A. N. Gorban, V. L. Dunin-Barkovsky, A. N Kirdin ja muut - Novosibirsk : Tiede. Siberian Enterprise RAS, 1998. - 296, ISBN 5-02-031410-2
  35. ↑ Borisyuk, R., Borisyuk, G., Rallings, C. ja Thrasher, M. Forecasting the 2005 General Election: A Neural Network Approach. British Journal of Politics and International Relations. 7(2) (2005), 199-209.
  36. ↑ Terekhov S. A. , Monimutkaisten suunnittelujärjestelmien hermoverkkotietomallit Arkistokopio päivätty 19. elokuuta 2017 Wayback Machinessa , Kirjassa: Neuroinformatiikka / A. N. Gorban, V. L. Dunin-Barkovsky, A. N. Kirdin ja muut - Novosibirsk: Science. Siberian Enterprise RAS, 1998. - 296, ISBN 5-02-031410-2
  37. ↑ Morillas C., Romero S., Martinez A., Pelayo F., Reyneri L., Bongard M., Fernandez, E., A neuroengineering suite of computational tools for visual proseses, Neurocomput., 70 (16-18) ( 2007), 2817-2827.
  38. ↑ Gorban AN, Rossiyev DA, Dorrer MG , MultiNeuron - Neural Networks Simulator for Medical, Physiological and Psychological Applications Arkistoitu 17. helmikuuta 2016 Wayback Machinessa , Wcnn'95, Washington, DC: World Congress on Neural Networks 1995 Seuran vuosikokous: Renaissance Hotel, Washington, DC, USA, 17.-21.7.1995.
  39. ↑ Dorrer MG, Gorban AN, Kopytov AG, Zenkin VI , Psychological Intuition of Neural Networks. Proceedings of the 1995 World Congress on Neural Networks, A Volume in the INNS Series of Texts, Monographs, and Proceedings, Voi. 1, 1995, 193-196.
  40. ↑ M. G. Dorrer , Psychological Intuition of Artificial Neural Networks Arkistoitu 25. maaliskuuta 2009 at the Wayback Machine , Diss. … 1998. Muut kopiot verkossa: [2] Arkistoitu 7. huhtikuuta 2009 Wayback Machinessa
  41. ↑ Taniguchi M., Haft M., Hollm\'en J., Tresp V. , Petosten havaitseminen viestintäverkoissa käyttäen hermo- ja todennäköisyysmenetelmiä Arkistoitu 29. joulukuuta 2009 Wayback Machinessa , vuoden 1998 IEEE International Conference on Acoustics -konferenssissa , Speech and Signal Processing (ICASSP'98), osa II, sivut 1241-1244, 1998.
  42. ↑ Chervyakov N.I., Evdokimov A.A., Galushkin A.I. , Lavrinenko I.N. et al. , Keinotekoisten hermoverkkojen käyttö ja jäännösluokkien järjestelmä kryptografiassa Arkistokopio 6. syyskuuta 2014 Wayback Machinessa , - M .: FIZMATLIT , 2012.- 280 s. - ISBN 978-5-9221-1386-1 .