ФЭНДОМ


Суть коннекционисткого подхода к когнитивному моделированию познания заключается в обращении к метафоре искусственной нейронной сети. Ее существенными характеристиками являются распределенность репрезентаций и параллельность переработки информации. Разнообразие разработанных нейронных сетей тем не менее предполагает наличие фундаментальных основ такой когнитивной архитектуры. Например, Д.Е. Румельхарт с соавторами выделяют такие аспекты моделей параллельной переработки: • модель представляет собой сеть узлов переработки информации (или модулей, аналогов нейронов); • каждый узел обладает активацией (аналог потенциала действия нейрона); • каждый узел обладает функцией выхода; • существует паттерн соединения узлов сети; • существует правило распространения паттернов активации по сети; • существует правило активации, согласно которому объединение входов узла с его текущим состоянием приводит к новому уровню активации узла; • существует и детально описывается правило научения, согласно которому паттерны соединения модифицируются с приобретением опыта; • существует окружение, в котором должна функционировать система


Модули (слои узлов) нейронных сетей обычно делят на три класса: входные (получающие информацию), выходные (выдающие результаты обработки информации), скрытые (промежуточные). Принцип взаимодействия узлов рассматривается как возбуждающий или тормозящий. Знания, управляющие процессом переработки, хранятся в форме весовых коэффициентов связей между узлами сети, а научение (динамика системы) трактуется как процесс изменения весовых коэффициентов связей (приспособления их к решению определенной задачи). Исследования таких моделей показали, что они способны к научению таким навыкам как распознавание лиц, чтение, определение простых грамматических структур.

Материалы сообщества доступны в соответствии с условиями лицензии CC-BY-SA , если не указано иное.