«Արհեստական նեյրոնային ցանց»–ի խմբագրումների տարբերություն

[[Պատկեր:Neuralnetwork.png|thumb|Պարզ նեյրոնային ցանցի սխեմա:Կանաչ գույնով նշանակված են ''մուտքային'' նեյրոնները , երկնագույնով` ''թաքնված'' նեյրոնները, դեղինով`  ''ելքային'' նեյրոնը]]

'''Արհեստական նեյրոնային ցանցեր''' (ԱՆՑ), — [[մաթեմատիկական մոդել|մաթեմատիկական մոդելներ]]ներ,ինչպես նաև նրանց ծրագրային կամ սարքային իրականացումներ, որոնք կառուցված են [[բիոլոգիական նեյրոնային ցանց|բիոլոգիական նեյրոնային ցանցերի]]երի — ցանցեր կենդանի օրգանիզմի [[նեյրոն|նեյրոնային բջիջներից]] կազակերպական կամ ֆունկցիայավորման սկզբունքով : Այդ հասկացությունը առաջացել է [[գլխուղեղ]]-ում առաջացող պրոցեսների ուսումնասիրման և այդ պրոցեսների [[Մոդելավորում|մոդելավորման ]] փորձերի արդյունքում : Այդպիսի առաջին [[Ուղեղի մոդել|փորձը]] [[Մակկալոկ, Ուորեն|Մակկալոկի]]և [[Պիթս, Ուոլտեր|Պիթսի]] նեյրոնային ցանցերն էին <ref name="Մակ-Կալլոկ">''Մակ-Կալլոկ ՈՒՈւ. Ս., Պիթս Վ.'',[http://neuro.net.ua/pub/mcculloch.html Գաղափարների տրամաբանական հաշվարկ, որոնք վերաբերում են նյարդային ակտիվությանը ] // «Սարքավորումներ» ժողովածու Կ. Է. Շեննոնի և Ջ. Մակկարտիի խմբագրությամբ: Արտասահմանյան գրականության խմբագրություն , 1956. — էջ.363-384. (Անգլիական հոդվածի թարգմանություն 1943 թ.)</ref>. Հետագայում, ուսուցողական ալգորիթմների մշակումից հետո , ստացված մոդելները սկսեցին կիրառել պրակտիկ նպատակներով ` [[Կանխատեսմանկանխատեսման խնդիրներ|կանխատեսման խնդիրներում]]ում, [[Կերպարների ճանաչում|կերպարների չանաչման]] համար, [[Ադապտիվ կառավարում|կառավարման]] խնդիրներում և այլն :

ԱՆՑ-ն իրենից ներկայացնում է փոխկապված և փոխհամագործակցող ([[արհեստական նեյրոն|արհեստական նեյրոնների]]ների) պարզ [[պրոցեսորների]] [[համակարգ|համակարգ]]:Այդպիսի պրոցեսորները սովորաբար բավականին պարզ են , հատկապես , համեմատած անձնական համակարգիչներում կիրառվող պրոցեսորների հետ : Նմանատիպ ցանցի յուրաքանչյուր պրոցեսոր գործ ունի միայն [[ազդանշանների]] հետ, որոնք պարբերականորեն ստանում է և ազդանշանների, որոնք պարբերաբար ուղարկում է այլ պրոցեսորների : Այնուամենայնիվ, այդպիսի լոկալ պարզ պրոցեսորները միասին ընդունակ են կատարելու բավականին բարդ խնդիրներ :

[[Մեքենայական ուսուցում|Մեքենայական ուսուցման]] տեսանկյունից նեյրոնային ցանցը իրենից ներկայացնում է [[Կերպարների ճանաչում (կիբեռնետիկա)| կերպարների ճանաչման]] , [[Դիսկրիմինանտ վերլություն|դիսկրիմինանտ վերլուծության]], [[Կլաստերիզացիա|կլաստերիզացիայի մեթոդի]] և նմանատիպ այլ մեթոդների մասնավոր դեպք: [[Մաթեմատիկա|մաթեմատիկականմաթեմատիկա]]կան տեսանկյունից , նեյրոնային ցանցերի ուսուցումը [[ոչ գծային օպտիմալացում|ոչ գծային]] [[Օպտիմիզացիա (մաթեմատիկա)|օպտիմալացման]] [[բազմապարամետրական խնդիր]] է: [[Կիբերնետիկա|կիբերնետիկայիկիբերնետիկա]]յի տեսանկյունից նեյրոնային ցանցը կիրառվում է [[Ադապտիվ կառավարում|ադապտիվ կառավարման]] խնդիրներում և որպես [[ալգորիթմներ]] [[Ռոբոտատեխնիկա|ռոբոտատեխնիկայի ռոբոտատեխնիկա]]յի համար: [[Հաշվողական տեխնիկա|Հաշվողական տեխնիկայի]]յի և [[ծրագրավորում|ծրագրավորման]] զարգացման տեսակյունից նեյրոնային ցանցը [[պարալելիզմի արդյունավետ կառավարում|արդյունավետ պարալելիզմի խնդիրների]] լուծման միջոց է : [[Արհեստական ինտելեկտ|Արհեստական ինտելեկտի]]ի տեսանկյունից ԱՆՑ-ն հանդիսանում է [[կոննեկտիվիզմի]] հոսքի [[փիլիսոփայություն|փիլիսոփայական]] հիմքը և [[կառուցվածքային մոտեցում|կառուցվածքային մոտեցման]] հիմնական ուղղությունը [[համակարգչային ալգորիթմ|համակարգչային]] [[ալգորիթմների]] միջոցով (մոդելավորում) [[ինտելեկտ|բնական ինտելեկտի]] կառուցման հնարավորթւյունների ուսումնասիրումը:

* [[1943 թ. գիտությունում |1943]] — [[Մակկալոկ , Ուոռեն| ՈՒՈւ. Մակկալոկը]] և [[Պիտս, ՈՒոլտերՈւոլտեր|ՈՒՈւ. Պիտսը]] ձևավորում են նեյրոնային ցանցի հասկացությունը նյարդային ակտիվության և գաղափարների տրամաբանական հաշվարկի վերաբերյալ հիմքային հոդվածում <ref name="Մակ-Կալլոկ"/>.

* [[1948 թ. գիտությունում|1948]] — [[Վիներ , Նորբերտ|Նորբերտ Վիներ]]ը գործընկերների հետ միասին հրատարակեցին կիբերնետիկայի մասին աշխատանքը : Հիմնական գաղափարը հանդիսանում է մաթեմատիկական մոդելների միջոցով բարդ բիոլոգիական պրոցեսների ներկայացումը :

* [[1949 թ. գիտությունում|1949]] — [[Խեբբ,Դոնալդ|Դ. Խեբբը]] առաջարկում է ուսուցման առաջին ալգորիթը :

* [[1958 թ. գիտությունում|1958]] [[Ռոզենբատտ, Ֆռենկ|Ֆ. Ռոզենբատտ]]ը ստեղծում է միաշերտ [[պերցեպտրոն]]: Պերցեպտրոնը ոընի որոշակի առանձնահատկություն ` այն կիրառում է կերպարների ճանաչման , եղանակի կանխատեսման և այլ խնդիրներում : Թվում էր, թե ամբողջական [[արհեստական ինտելեկտ|արհեստական ինտելեկտի]]ի կառուցումը այլևս սարերի ետևում չէ: Մակկալոկը և նրա հետնորդները դուրս եկան «Կիբերնետիկական ակումբից»:

* [[1960 թ. գիտությունում|1960 թ.-ին]] {{Translation|:en:Widrow |Ուիդրոուն}}Ուիդրոուն իր ուսանող Խոֆֆոմի հետ համատեղ [[Դելտա-կանոն|դելտա-կանոնիկանոն]]ի հիման վրա (''Ուիդրոուի բանաձևեր'') մշակեցին Ադալինը , որը անմիջապես սկսեց կիրառվել կանխատեսման և արդյունավետ կառավարման խնդիրներում : Ադալինը կառուցվել էր նրանց (Ուիդրոու — Խոֆֆոմ) իսկ կողմից արդեն ստեղծված սկուզբունքորեն նոր էլեմենտների բազայի հիման վրա` [[մեմիստոր]]ի հիման վրա <ref>[http://www-isl.stanford.edu/~widrow/papers/j1964patternrecognition.pdf Pattern Recognition and Adaptive Control. ''BERNARD WIDROW'']</ref>. Այժմ Ադալինը հանդիսանում է ազդանշանների մշակման բազմաթիվ համակարգերի ստանդարտ էլեմենտը : <ref>''Ուիդրոու Վ., Ստիրնս Ս.'',Ազդանշանների արդյունավետ կառավարում : Ռադիո և կապ, 1989. — 440 էջ</ref>

*[[1963 թ. գիտությունում|1963 թ.-ին]] АН СССР Ինֆորմացիայի փոխանցման խնդիրների ինստիտուտում Ա. Պ. Պետրովի կողմից կատարվում է պերցեպտրոնի համար «բարդ» խնդիրների մանրակրկիտ ուսումնասիրություն <ref>{{հոդված | հեղինակ = Պետրով Ա.Պ. | վերնագիր = Պերցեպտրոնի հնարավորությունների մասին| հրատարակություն = АН СССР հրատարակություն, Տեխնիկական կիբերնետիկա | թիվ = 1964 | համար = 6 }}</ref>. ԱՆՑ մոդելավորման ոլորտում այդ պիոներական աշխատանքը ԽՍՀՄ-ում ծառայեց որպես [[Բոնգարդ ,Միխաիլ Մոիսեևիչ | Մ. Մ. Բոնգարդի]] համար նոր գաղափարների կոմպլեքսի աղբյուր , որպես «պերցեպտրոնի ալգորիթմի փոքր համեմատական ձևափոխություն թերությունները ուղղելու համար <ref>{{գիրք|վերնագիր = Ճանաչողության խնդիրներ | բնօրինակ = |հեղինակ = Բոնգարդ Մ.Մ. |հղում = |isbn = |էջ = |թիվ = 1967 |հրատարակություն =|վայր = Մ. |հրատարակչություն = ֆիզմաթգիզ }}</ref> : Ա. Պետրովի և [[Բոնգարդ ,Միխաիլ Մոիսեևիչ | Մ. Մ. Բոնգարդի]] աշխատանքները նպաստեցին , որ ԽՍՀՄ-ում ԱՆՑ վերաբերյալ առաջին էյֆորիայի ալիքը հարթվի :

*[[1969 թ. գիտությունում|1969 թ.-ին]] [[Միսկի, Մարվին Լի|Մ. Մինսկին]] հրապարակում է պերցեպտրոնի սահմանափակության փաստերը և ցույց է տալիս , որ այն ունակ չէ լուծելու մի շարք խնդիրներ ([["Ազնվության" և "միայնակ բլոկում" խնդիրներ]])` կապված ներկայացումների այլաձևության հետ : Նեյրոնային ցանցերի նկատմամբ հետքրքրությունը կտրուկ ընկնում է :

* [[1974 թ. գիտությունում|1974]] — Պոլ Ջ. Վերբոսը <ref>''Werbos P. J.'', Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. thesis, Harvard University, Cambridge, MA, 1974.</ref> և Ա. Ի. Գալուշկինը<ref>''Գալուշկին Ա. Ի.'' Կերպարների ճանաչման բազմաշերտ համակարգի սինթեզ — Մ.: «Էներգիա», 1974.</ref> միաժամանակ ստեղծում են [[Սխալների հետադարձ տարածման մեթոդ|սխալների հետադարձ տարածման ալգորիթը]] [[բազմաշերտ պերցեպտրոն|բազմաշերտ պերցեպտրոնների]]ների ուսումնասիրման համար : Հայտնագործությունը առանձնապես ուշադրության չի արժանանում:

* [[1975 թ. գիտությունում|1975]] — ֆուկսիման իրենից ներկայացնում է [[Կոգնիտրոն]]` ինքնաձևավորվող ցանց ` նախատեսված այլընտրանքային [[Կերպարների ճանաչում|կերպարների ճանաչման]] համար , սակայն դա հասանելի է փաստացիորեն կերպարների բոլոր վիճակների հիշման պարագայում :

* [[1982 թ. գիտությունում|1982]] — մոռացության էտապից հետո նեյրոնային ցանցերի նկատմամբ հետքրքրությունը կրկին աճում է : [[Խոպֆիլդ, Ջոն|Ջ. Խոպֆիլդը]] ([[:en:John Joseph Hopfield]]) ցույց տվեց , որ հետադարձ կապերով նեյրոնային ցանցը կարող է իրենից ներկայացնել համակրգ, որը նվազեցնում է էներգիան (այսպես կոչված [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանց]]) : Կոխոնենի կողմից ներկայացված են անցերի մոդելներ , որոնք ուսուցանվում են առանց ուսուցչի ([[Կոխոնենի նեյրոնային ցանց]])և լուծում են [[Կլաստերիզացիա|կլաստերիզացիայիկլաստերիզացիա]]յի խնդիրներ,տվյալների վիզուալիզացիա ([[Կոխոնենի ինքնակազմակերպվող քարտ]])և տվյալների վերլուծության այլ խնդիրներ :

* [[1986 թ. գիտությունում|1986]] — [[Ռումելխարտ, Դեվիդ|Դովիդ Ի. Ռումելխարտի]], Ջ. Ե. Խինտոնի և Ռոնալդ Ջ. Վիլյամսի<ref name="Rumelhart">''Rumelhart D.E., Hinton G.E., Williams R.J.'', Learning Internal Representations by Error Propagation. In: Parallel Distributed Processing, vol. 1, pp. 318—362. Cambridge, MA, MIT Press. 1986. </ref> ևիրարից անկախ ու միաժամանակ Ս. Ի. Բարցևի և Վ. Ա. Օխոնինի կողմից (Կրասնոյարսկյան խումբ)<ref>''Բարցև Ս. Ի., Օխոնին Վ. Ա.'' Ինֆորմացիայի մշակման արդյունավետ ցանցեր. Կրասնոյարսկ : АН СССР, 1986. Препринт N 59Б. — 20 с.</ref> մշակվել և զարգացել է [[սխալների հետադարձ տարածման մեթոդը]]. Սկսվեց ուսուցանվող նեյրոնային ցանցերի նկատմամբ հետաքրքրությունը:

Կլաստերիզացիայի ներքո հասկացվում է բազմաթիվ մուտքային ազդանշանների բաժանումը դասերի, ընդ որում այնպես, որ ոչ քանակը և ոչ էլ դասերի նախանշանները նախապես հայտնի չեն : Ուսումնասիրումից հետո նման ցանցը կարող է որոշել , թե որ դասին է պատկանում մուտքային ազդանշանը : Ցանցը կարո է ազդանշան տալ նաև այն մասին, որ մուտքային ազանշանը չի պատկանում առանձնացված դասերից և ոչ մեկին, ինչն էլ հանդիսանում է նոր, ուսուցանվող ընտրանքում բացակայող տվյալների նախանշանը : Այդ պարագայում, նման ցանցը ''կարող է առաջացնել նոր,նախկինում անհայտ ազդանշանների դասեր '' : Դասերի միջև դասերի և ցանցի կողմից առանձնացված, առարկայական տիրույթում գոյություն ունեցող համապատասխանությունը հաստատվւոմ է մարդու կողմից : Կլաստերիզացիան իրականացնում են օրինակ ՝ [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի նեյրոնային ցանցը]]ը:

կարելի է սկզբնական ոչ գծային էլեմենտներից ստանալ սարք, որը հաշվում է ցանկացած [[Անընդհատ պատկեր|անընդհատ ֆունկցիա]] սկզբնապես տրված որոշակի [[ճշտությամբ]]: Դա նշանակում է , որ նեյրոնի ոչ գծային բնութագիրը կարող է լինել կամայական ՝ [[սիգմոդիայինից]] մինչև կամայական փաթեթ կամ [[վեյվլետ]], [[սինուս (ֆունկցիա)|սինուսի]] կամ [[բազմանդամի]]: Ոչ գծային ֆունկցիայի ընտրությունից կարող է կախված լինել կոնկրետ ցանցի [[բարդությունը]] , սակայն ցանկացած ոչ գծայնությամբ ցանցը մնում է ունիվերսալ ապրոկսիմատոր և կառուցվածքի ճիշտ ընտրության դեպքում կարելի է հստակ ապրոկսիմացնել ցանցակացած նեյրոնային ապարատի ֆունկցիայավորումը :

* Ցանցի [[վերբալիզացիա (ծրագրավորում)|վերբալիզացիա]] <ref>''[[Միրկես, Եվգենի Մոյիսեևիչ|Միրկես Ե. Մ.]]'',[http://www.intuit.ru/department/expert/neuroinf/9/ Տրամաբանական թափանցիկ նեյրոնային ցանցեր և ակնհայտ տվյալների գիտելիքների ստեղծում ], գրքում : Նեյրոինֆորմատիկա / ''Ա. Ն. Գորբան, Վ. Լ. Դունին-Բորկովսկի, Ա. Ն. Կիրդին'' և այլոք — Նովոսիբիրսկ: Գիտություն. Սիբիրյան ընկերություն РАН, 1998. — 296 с ISBN 5-02-031410-2</ref> հետագա կիրառման նպատակով :

* Ներկայացվածություն — տվյալները պետք է ցույց տան առարկայական տիրույթի իրերի և առարկաների իրական վիճակը ,

* ''Նորմալացումը'' կատարվում է , երբ տարբեր մուտքերում հանդիպում են տարբեր չափողականության տվյալներ : Օրինակ, ցանցի առաջին մուտքին տրվում են 0-ից մինչև միավոր մեծության արժեքներ , իսկ երկրորդին ՝ 100-իc մինչև 1000: Երկրորդ մուտքում արժեքների նորմավորման բացակայության դեպքում ցանցի ելքի վրա մեծ ազդեցություն կունենա, քան արժեքը առաջին մուտքի դեպքում: Բոլոր մուտքային և ելքային տվյալների չափողականության նորմավորումը կատարվում է միասին,

* ''[[Քվանտավորում(ազդանշանների մշակում)|Քվանտավորումը]]'' կատարվում է անընդհատ մեծությունների նկատմամբ, որոնց համար առանձնացվում է դիսկրետ արժեքների հավաքածու : Օրինակ, քվանտավորումը կիրառվում է ձայնային ազդանշանների հաճախականության տրման ժամանակ ՝ բանավոր խոսքի ճանաչման համար ,

Կոնկրետ տրամաբանության ընտրությունից հետո անհրաժեշտ է ընտրել ուսուցանվող նեյրոնային ցանցի պարամետրերը : Այս էտապը առավելապես կարևոր է [[Ուսուցում ուսուցչի օգնությամբ|ուսուցչի օգնությամբ ուսուցանվող]] ցանցերի համար : Պարամետրերի ճիշտ ընտրությունից կախված է ոչ միայն այն, թե որքան արագ ցանցը ճիշտպատասխաններ կտա : Օրինակ, ցածր արագությամբ ուսուցման ընտրությունը կմեծացնի գեներացիայի ժամանակը , սակայն միևնույն ժամանակ թույլ կտա խուսափելու [[Նեյրոնային ցանցի անդամալուծություն|ցանցի անդամալուծությունից]]: Ուսուցման ժամանակի մեծացումը կարող է բերել ինչպես գեներացման ժամանակի մեծացմանը, այնպես էլնվազեցմանը ՝ կախված [[Սխալներիսխալների մակերես|սխալների մակերեսի]]ի ձևից : Ելնելով պարամետրերի նման հակազդեցությունից , կարելի է ենթադրել, որ նրանց արժեքները պետք է փորձագիտորեն ընտրել ՝ ղեկավարվելով ուսուցման պարամետրերով (օրինակ ՝ սխալների նվազեցում կամ ուսուցման ժամանակահատվածի կրճատում) :

Ուսուցման պրոցեսում ցանցը որոշակի հերթականությամբ ուսումնասիրում է ուսուցանվող ընտրանքը : Ուսումնասիրման հերթականությունը կարող է լինել հետևողական , պատահական և այլն : [[Առանց ուսուցչի ուսուցանվող|Առանց ուսուցչի ուսուցանվող]] որոշ ցանցեր ,օրինակ, [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանցերը]] դիտարկում են ընտրանքը մեկ անգամ : Այլոք, օրինակ՝ [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի ցանցը]],ինչպես նաև ցանցեր,որոնք ուսուցանվում են ուսուցչի միջոցով, ընտրանքը դիտարկում են բազմաթիվ անգամներ , և այդ դեպքում ընտրանքով մեկ ամբողջական անցումը կոչվում է "ուսուցման դարաշրջան" : Ուսուցչի օգնությամբ ուսուցման ժամանակ մուտքայինտվյալների հավաքածուն բաժանվումէ երկու մասի ՝ փաստացի ուսուցանվող ընտրանք և թեսթային տվյալներ , իսկ բաժանման սկզբունքը կարող է լինել կամայական : Ուսուցանվող տվյալները տրվում են ցանցին ուսուցման համար , իսկ ստուգողները օգտագործվում են ցանցի սխալների հաշվարկման համար (ստուգող տվյալները երբեք ցանցի ուսուցման համար չեն կիրառվում) : Այդ պարագայում, եթե ստուգող տվյալների միջոցով սխալները նվազեցվում են, ապա իսկապես կատարվում է ընդհանրացում : Եթե սխալը ուսուցանվող տվյալներում շարունակում է նվազել, իսկ թեսթային տվյալներում ավելանալ, դա նշանակում է , որ ցանցը դադարել է ընդհանրացում կատարել և ուղղակի «հիշում է » ուսուցանվող տվյալները : Այդ հայտնությունը կոչվում է ցանցի վերաուսուցում կամ [[օվերֆիտտինգ]] : Նման դեպքերում սովորաբարուսուցումը ընդհատում են: Ուսուցման պրոցեսում կարող են ի հայտ գալ նաև այլ խնդիրներ, ինչպիսիք են [[նեյրոնային ցանցի անդամալուծում|անդամալուծությունը]] կամ ցանցի հայտնվելը լոկալ սխալների մակերևույթ : Հնարավոր չէ նախապես գուշակել այս կամ այն խնդրի առաջացումը և տալ դրանց լուծման ցուցումներ :

Ելքային նեյրոնից կամ նեյրոններից ազդանշանը թաքնված շերտից մասնակիորեն փոխանցվում է ետ նեյրոնի մուտքային շերտին ([[ետադարձ կապ]]): Ռեկուրենտիվ [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանցը]] «ֆիլտրում է» մուտքային տվյալները, վերադառնալով կայուն վիճակի, և այդ կերպ թույլ է տալիս լուծել [[Տվյալների նեյրոցանցային սեղմում|տվյալների սեղմման]] և [[Ասոցիատիվ հիշողություն|ասոցիատիվ հիշողության]]կառուցման խնդիրներ <ref>[http://www.intuit.ru/department/expert/neuro/10/ INTUIT.ru — Ռեկուրենտիվ ցանցերը ինչպես ասոցիատիվ հիշող սարքեր]</ref>: Ռեկուրենտիվ ցանցերի մասնավոր դեպք են հանդիսանում երկուղղվածության ցանցերը: Նման ցանցերում շերտերի միջև առկա են կապեր ինչպես մուտքային շերտից ելքայինին, այնպես էլ ընդհակառակը : Դասական օրինակ է հանդիսանում [[Կոսկոյի նեյրոնային ցանցը]]:

Նմանատիպ ցանցերը իրենցից ներկայացնում են [[ուսուցչի հետ ուսուցում|ուսուցչի հետ ուսուցանվող]] մրցակցային նեյրոնային ցանց,որը իրականացնում է վիզուալիզացիայի և [[կլաստերիզացիա|կլաստերիզացիայի]]յի խնդիր : Հանդիսանում է բազմաչափ տարածության նախագծման մեթոդ ավելի փոքր չափողականություն ունեցող տարածությունում (առավել հաճախ երկչափ) , կիրառվում է նաև մոդելավորման խնդիրներում, կանխատեսման խնդիրներում և այլն : Հանդիսանում է [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի նեյրոնային ցանցի]]ի տեսակներից մեկը : <ref>Kohonen, T. (1989/1997/2001), Self-Organizing Maps, Berlin — New York: Springer-Verlag. First edition 1989, second edition 1997, third extended edition 2001, ISBN 0-387-51387-6, ISBN 3-540-67921-9</ref> Կոխոնենի ինքնաձևավորվող քարտեզները առաջին հերթին ծառայում են վիզուալիզացիայի և սկզբնական («բանական») [[Տվյալների ինտելեկտուալ վերլուծություն|տվյալների վերլուծության]] համար : <ref name="Зиновьев">{{գիրք

# Այդ հանգույցը տեղակայվում է տրված քայլում x -ի ուղղությամբ : Սակայն, այն միայնակ չի տեղակայվում, այլ իր հետ ներառում է որոշակի քանակության մոտակա հանգույցներ քարտեզի հարևանությամբ : Բոլոր տեղաշարժվող հանգույցներից առավել ուժեղ տեղափոխվում է կենտրոնական ՝ տվյալների կետին մոտ հանգույցը,իսկ մնացածները, որքն հեռու են BMU-ից , այնքան ավելի դանդաղ են տարհանվում : Քարտեզի կարգավորման ժամանակ առանձնացնում են 2 էտապներ ՝ կոպիտկարգավորման (fine-tuning) և ճշգրիտ կարգավորման (fine-tuning) փուլեր : Առաջին փուլում ընտրվում են շատ հարևան արժեքներ և հանգույցների տեղաշարժը կրում է կոլեկտիվ բնույթ: Արդյունքում քարտեզը « ուղղվում է » և կոպիտ կերպով արտապատկերում է տվյալների կառուցվածքը, իակ ճշգրիտ կարգավորման փուլում հարևանության շառավիղը 1-2 է և կարգավորվում են արդեն հանգույցների անհատական դիրքերը : Բացի այդ, տեղաշարժման մեծությունը ժամանակի ընթացքում համամասնորեն նվազում է , այսինքն ՝ ուսուցման առաջին փուլում ավելի մեծ է , իսկ ավարտին հասնելիս հավասարվում է զրոյի :

Մ. Գ. Դոռեռի և իր համահեղինակների աշխատանքները նվիրված են նեյրոնային ցանցերի [[փորձագիտական համակարգ|փորձագիտական համակարգերի]]երի հոգեբանական [[ինտուիցիա|ինտուիցիայի]]յի զարգացման հնարավորությունների հարցերի քննարկմանը :<ref>''Gorban A.N., Rossiyev D.A., Dorrer M.G.'', [http://arxiv.org/ftp/q-bio/papers/0411/0411034.pdf MultiNeuron — Neural Networks Simulator For Medical, Physiological, and Psychological Applications], Wcnn’95, Washington, D.C.: World Congress on Neural Networks 1995 International Neural Network Society Annual Meeting : Renaissance Hotel, Washington, D.C., USA, July 17-21, 1995.</ref><ref>''Доррер М. Г.'', [http://psyfactor.org/lib/dorrer-0.htm Արհեստական նեյրոնային ցանցերի հոգեբանական ինտուիցիա], Դիսս. … 1998: Օնլայն այլ պատճեններ. [http://www.tnu.in.ua/study/books.php?do=file&id=1501], [http://lib.sibnet.ru/referat/6923]</ref> Ստացված արդյունքները հնարավորություն են տալիս բացահայտելու նեյրոնային ցանցերի ինտուիցիայի մեխանիզմը, որը նրանց կողմից ցուցաբերվում է հոգեվերլուծական խնդիրների լուծման ժամանակ : Համակարգչային մեթոդների կողքին ստեղծվել է ոչ ստանդարտ ՛՛ինտուիտիվ՛՛ մեթոդ :

Նեյրոնային ցանցերը լայնորեն կիրառվում են քիմիական և բիոքիմիական հետազոտություններում <ref>''Բասկի Ի. Ի. , Պլյուկլին Վ. Ա. , Զեֆիրով Ն. Ս.,'' [http://www.chem.msu.su/rus/vmgu/995/323.pdf Արհեստական նեյրոնային ցանցերի կիրառումը քիմիական և բիոքիմիական հետազոտություններում,] Քիմիա 1999. Т.40. № 5.</ref> Ներկայումս նեյրոնային ցանցերը հանդիսանում են [[Խեմոինֆորմատիկա|խեմոինֆորմատիկայիխեմոինֆորմատիկա]]յի ամենատարծված մեթոդներից մեկը для [[Գույքային հարաբերությունների քանակական կապերի որոնում|գույքային հարաբերությունների քանակական կապերի որոնման]] համար<ref>{{հոդված | հողինակ = Гальберштам Н. М., Баскин И. И., Палюлин В. А., [[Зефиров, Николай Серафимович|Зефиров Н. С.]] | վերնագիր = Нейронные сети как метод поиска зависимостей структура – свойство органических соединений | հրատարակություն = Успехи химии | տարեթիվ = 2003 | ծավալ = 72 | համար = 7 | էջ = 706-727}}</ref><ref>{{статья | автор = Баскин И. И., Палюлин В. А., Зефиров Н. С. | заглавие = Многослойные персептроны в исследовании зависимостей սահամանափակ կապերի «գույքային հարաբերություններ» | հրատարակություն = Российский химический журнал (Журнал Российского химического общества им. Д.И.Менделеева) | տարեթիվ = 2006 | ծավալ = 50 | էջ = 86-96}}</ref>,որոնց շնորհիվ ակտիվորեն կիրառվում են որպես ֆիզիկա- քիմիական և բիոլոգիական ակտիվությունների կանխատեսման համար, ինչպես նաև նոր դեղորայքային պարագաների մշակման համար :

Նեյրոնային ցանցերը հաջող կերպով ընդունվում են [[Կարգավորիչ_Կարգավորիչ (կառավարման_տեսությունկառավարման տեսություն)|կառավարման համակարգերի]] սինթեզի համար դինամիկ օբյեկտներով <ref>{{գիրք |վերնագիր = Նեյրոկառավարում և նրա հավելվածները|բնօրինակ = Neuro-Control and its Applications |հեղինակ = Սիգերու Օմատու, արզուկի Խալիդ, Ռուբիա Յուսոֆ |հղում = |isbn = ISBN 5-93108-006-6 |էջ = 272 |տարեթիվ = 2000 |հրատարակություն = 2-րդ |վայր = Մ. |հրատարակչություն = [["Ռադիոտեխնիկա" ամսագրի հրատարակչական ընկերություն)|ՌԱՀԸ]]}}</ref><ref>''Ա. Ն. Չերնոդուբ, Դ. Ա. Ձյուբա'' [http://ailen.org/wp-content/uploads/2011/08/2011_NeuroControl_Survey.pdf Նեյրոկառավարման մեթոդների ներկայացում] // Ծրագրավորման խնդիրներ. — 2011. — No 2. — Էջ 79-94.</ref>: Նեյրոցանցերը օժտված են ունիկալ հատկությունների շարքով, որոնք դրանք ավելի հզոր գործիք են դարձնում ղեկավարման համակարգերի ստեղծման համար : Դրանք են ՝ օրինակների վրա ուսուցման հնարավորությունը և տվյալների ընդհանրացում , կառավարման օբյեկտի հատկություններին և արտաքին միջավայրի փոփոխություններին հարմարվելու ունակությունը , ոչ գծային կարգավորիչների սինթեզին հարմարվելու ունակություն, վնասված տարերրի բարձր դիմադրողականությունը իսկզբանե ներդրված է երկակի նեյրոցանցային կառուցվածքում :

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք

* {{գիրք