Искусственный интелект и нейронные сети

Федеральное агентство по образованию  РФ

Государственное образовательное учреждение

Высшего профессионального образования

Нижегородский     государственный

Университет им. Лобачевского

Финансовый  факультет 

Курсовая  работа по дисциплине:

«Информатика»

На тему:

« Искусственный  интеллект и 

нейронные сети» 

Выполнила:

 студентка  1 курса

финансового факультета

форма обучения:

очно-заочная

группы 13Ф19

студенческий  билет № 084084

Кислова Екатерина Александровна 

2009 год.

Содержание:

1. Введение.
2. Понятие искусственного интеллекта.
3. История развития искусственного интеллекта в России.
4. Моделирование искусственного интеллекта.
5. Нейронные сети.
6. Работа электронных нейронов.
7. Использование нейронных сетей.

1. Техника и телекоммуникации.
2. Информационные технологии.
3. Экономика и маркетинг.
4. Здравоохранение.

8. Нейронные сети в будущем.

9. Практическая часть.

1. Создание фонов и подложек в Microsoft Office Word.
2. Решение экономической задачи средствами электронной таблицы Microsoft Office Exel.

1.  Заключение.

11.Список  используемой литературы. 
 

Введение. 

Человек всегда стремился окружать себя разнообразными приспособлениями, помогающими ему  быть быстрее, сильнее и умнее. Люди давно осознали, что некоторые  вычислительные задачи гораздо удобнее  решать с помощью специальных  механических и электрических машин. Однако реализовать эту мечту оказалось непросто. Первые арифмометры начали активно эксплуатировать только с середины XIX века, а первые ЭВМ появились всего каких-нибудь 50 лет назад. Электронные устройства, призванные усиливать интеллектуальные и творческие силы человека, оказались сложны не только в разработке и изготовлении. Кроме «железа» необходимы были программы, заставляющие машину производить совершенно определенные действия. Таким образом, впервые в истории человеческой цивилизации появились вещи, способные приносить пользу только в том случае, если в них будут установлены некие тексты-программы, дарящие бездушной машине частичку человеческого разума. Успехи традиционного подхода — когда человек четко задает машине определенную задачу — поистине огромны и вполне устраивают пользователей, стремящихся получить конкретный результат. Однако далеко не все жизненные задачи удается решить путем жесткого программирования действий электронной машины, поэтому одной из важнейших на сегодня задач для кибернетики является создание интеллектуальных систем, способных к самообучению и не нуждающихся в услугах квалифицированных программистов. Разработчики таких обучаемых компьютеров вполне резонно решили воспользоваться методом копирования принципов работы человеческого мозга, и, судя по достигнутым результатам, некоторые из этих умных машин уже приблизились к имитации того, как Homo Sapiens думает и анализирует.

Целью данной работы является:

1. Рассмотреть историю создания  и развития искусственного интеллекта, как искусственный интеллект применяется. Развитие нейронных сетей, которые были основаны на искусственном интеллекте, работу электронных нейронов, как используются нейросети и проанализируем их применение в будущем.
2. Углубленно изучить текстовый процессор Word. Рассмотреть создание подложек и фонов.
3. Решить экономическую задачу средствами электронной таблицы  Microsoft Office Exel.

Данная работа является актуальной в наши дни, т.к  в последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС: автоматизация процессов распознавания образов и адаптивное управление, аппроксимация функционалов и прогнозирование, создание экспертных систем и организация ассоциативной памяти и многое, многое другое. С помощью НС можно, например, предсказывать показатели биржевого рынка, распознавать оптические или звуковые сигналы, строить самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. На Западе нейронные сети применяются уже довольно широко, у нас же это пока еще экзотика — российские фирмы, использующие НС в практических целях, наперечет. 

Широкий круг задач, решаемый НС, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным алгоритмам. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Понятие искусственного интеллекта.  

Идея создания искусственного подобия человеческого разума для решения сложных задач и моделирования мыслительной способности литала в воздухе с древнейших времен¹. Впервые ее выразил Р. Луллий (ок.1235-ок.1315), который еще в XIV в. пытался создать машину для решения различных задач на основе всеобщей классификации понятий.

В XVIII в. Г.Лейбниц (1646 - 1716) и Р.Декарт (1596 - 1650) независимо друг от друга развили эту идею, предложив универсальные языки  классификации всех наук. Эти идеи легли в основу теоретических  разработок в области создания искусственного интеллекта.

Развитие  искусственного интеллекта как научного направления стало возможным  только после создания ЭВМ. Это произошло  в 40-х гг. XX в. В это же время  Н.Винер (1894 - 1964) создал свои основополагающие работы по новой науке — кибернетике.²

Кибернетика — в большей степени наука  о живых организмах, человеке и  обществе, чем о машинах. Машина —  скорее инструмент и модель в общей  кибернетике, а не предмет изучения. Так считал сам Винер.

Винер сравнивал  машины создаваемые человеком, и машины, создаваемые природой и делал вывод, что машины созданные природой (люди) более эффективны и приспособляемы, но машины, созданные человеком, дали человеку в руки орудие для естественного эксперимента и эксперимента мысленного.

У Винера возможность обучения машин, как и живых систем не вызывала сомнений, он приводил в пример обучение играющих машин, в том числе и шахматных. Но он, конечно, не знал, хотя, наверное, и не сомневался, что будет создан такой суперкомпьютер, который сможет на равных разыгрывать труднейшие шахматные партии с чемпионом мира по шахматам Гарри Каспаровым.

А вот еще  пример: создание "водяного" (Merman) группой, работающей с компьютерной анимацией подводного мира. Они моделировали нервные системы обитателей подводного мира, причем подводный человек (Merman) обучался "мыслить", стараясь избежать столкновения с акулой, хотя в программу такие его действия не были заложены. Чем не разумное поведение, но оно, очевидно, явилось следствием действия заложенной в программу модели нервной системы живого существа, для жизненной программе которого свойственно прятаться в случае опасности.³

Термин «интеллект» (intelligence) происходит от латинского «intellectus», что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (ИИ, он же artificial intelligence — AI в зарубежной литературе) обычно трактуется, как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Система, наделенная интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных), для которых нет стандартных, заранее известных методов решения. Таким образом, мы можем определить интеллект и как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Существуют  и другие, чисто поведенческие (функциональные) определения интеллекта. Так, по А. Н. Колмогорову, любая материальная система, с которой можно достаточно долго обсуждать проблемы науки, литературы и искусства, обладает интеллектом. Другим примером поведенческой трактовки интеллекта может служить известное определение А. Тьюринга. Его смысл заключается в следующем: «В разных комнатах находятся люди и машина. Они не могут видеть друг друга, но имеют возможность обмениваться информацией (например, с помощью электронной почты). Если в процессе диалога между участниками игры людям не удается установить, что один из участников — машина, то такую машину можно считать обладающей интеллектом».⁴

В данной работе интеллектом будем называть способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

В этом определении  под термином "знания" подразумевается  не только ту информацию, которая поступает  в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

Мы употребили термин интеллектуальная задача. Для  того, чтобы пояснить, чем отличается интеллектуальная задача от просто задачи, необходимо ввести термин "алгоритм" — один из краеугольных терминов кибернетики.

Под алгоритмом понимают точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. Термин "алгоритм" происходит от имени узбекского математика Аль-Хорезми, который еще в IX веке предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Отыскание алгоритма для задач некоторого данного типа связано с тонкими и сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Принято считать, что подобного рода деятельность требует участия интеллекта человека. Задачи, связанные с отысканием алгоритма решения класса задач определенного типа, будем называть интеллектуальными.

Что же касается задач, алгоритмы решения которых  уже установлены, то, как отмечает известный специалист в области  ИИ М. Минский, "излишне приписывать  им такое мистическое свойства, как "интеллектуальность". В самом деле, после того, как такой алгоритм уже найден, процесс решения соответствующих задач становится таким, что его могут в точности выполнить человек, вычислительная машина (должным образом запрограммированная) или робот, не имеющие ни малейшего представления о сущность самой задачи. Требуется только, чтобы лицо, решающее задачу, было способно выполнять те элементарные операции, их которых складывается процесс, и, кроме того, чтобы оно педантично и аккуратно руководствовалось предложенным алгоритмом. Такое лицо, действуя, как говорят в таких случаях, чисто машинально, может успешно решать любую задачу рассматриваемого типа.⁵

Поэтому представляется совершенно естественным исключить  их класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Примерами таких задач могут служить чисто вычислительные задачи: решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т. д. Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для вычислительной машины. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, игра в шахматы, доказательство теорем и т. п., напротив это формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно.

Таким образом, мы можем перефразировать определение  интеллекта как универсальный сверхалгоритм, который способен создавать алгоритмы  решения конкретных задач.

Деятельность  мозга (обладающего интеллектом), направленную на решение интеллектуальных задач, мы будем называть мышлением, или интеллектуальной деятельностью. Интеллект и мышление органически связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игры и управление в условиях неопределенности. Характерными чертами интеллекта, проявляющимися в процессе решения задач, являются способность к обучению, обобщению, накоплению опыта (знаний и навыков) и адаптации к изменяющимся условиям в процессе решения задач. Благодаря этим качествам интеллекта мозг может решать разнообразные задачи, а также легко перестраиваться с решения одной задачи на другую. Таким образом, мозг, наделенный интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных) для которых нет стандартных, заранее известных методов решения. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

История развития искусственного интеллекта в России. 

В 1954 г. в  МГУ под руководством профессора А.А.Ляпунова (1911 - 1973) начал свою работу семинар "Автоматы и мышление". В этом семинаре принимали участие крупнейшие физиологи, лингвисты, психологи, математики. Принято считать, что именно в это время родился искусственный интеллект в России. Как и за рубежом, выделились направления нейрокибернетики и кибернетики "черного ящика".

Среди наиболее значимых результатов, полученных отечественными учеными, следует отметить алгоритм "Кора" М.Бонгарда, моделирующий деятельность человеческого мозга при распознавании  образов (60-е гг.).

В 1945 - 1964 гг. создаются отдельные программы и исследуется поиск решения логических задач. В Ленинграде (ЛОМИ — Ленинградское отделение математического института им. В.А.Стеклова) создается программа, автоматически доказывающая теоремы (АЛПЕВ ЛОМИ). Она основана на оригинальном обратном выводе С.Ю.Маслова, аналогичном методу резолюций Робинсона.

В 1965-1980 гг. получает развитие новая наука— ситуационное управление (соответствует представлению  знаний в западной терминологии). Основоположник этой научной школы — профессор  Д.А.Поспелов. Разработаны специальные модели представления ситуаций — представления знаний.

В 1980- 1990 гг. проводятся активные исследования в  области представления знаний, разрабатываются  языки представления знаний, экспертные системы (более 300). В Московском государственном университете создается язык РЕФАЛ.

В 1988 г. создается  АИИ — Ассоциация искусственного интеллекта. Ее членами являются более 300 исследователей. Президент Ассоциации — Д.А.Поспелов. Крупнейшие центры —  в Москве, Петербурге, Переславле-Залесском, Новосибирске.

В рамках Ассоциации проводится большое количество исследований, собираются конференции, издается журнал. Уровень теоретических исследований по искусственному интеллекту в России ничуть не ниже мирового. К сожалению, начиная с 1975 г. на развитии этого направления сказалось прогрессирующее отставание в технологии. На данный момент отставание в области промышленных интеллектуальных систем составляет порядка 5-7 лет.⁶ 
 
 
 
 
 

Моделирование искусственного интеллекта. 

Исторически сложились три основных направления в моделировании ИИ. 

В рамках первого  подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных  человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного  и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Самыми первыми  интеллектуальными задачами, которые  стали решаться при помощи ЭВМ  были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь надо отметить еще кибернетические игрушки типа "электронной мыши" Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла "исследовать" лабиринт, и находить выход из него. А кроме того, помещенная в уже известный ей лабиринт, она не искала выход, а сразу же, не заглядывая в тупиковые ходы, выходила из лабиринта.

Американский  кибернетик А. Самуэль составил для  вычислительной машины программу, которая  позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США и победила.

В машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры.

По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться  играть лучше, чем средний игрок, за относительно короткий период времени.

Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Отчасти это так. Но не следует забывать, что программа эта не является "жесткой", заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс "мышления" у машины существенно отличен оттого, что происходит в мозгу, играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной интеллектуальной игры являются шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как известно, победу на этом турнире одержала советская машина с шахматной программой "Каисса".

В настоящее  время существуют и успешно применяются  программы, позволяющие машинам  играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущие человеку способность к обучению и адаптации. Одной из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук — физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы ИИ, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.⁷

В 1957 г. американский физиолог Г. Розенблатт и П. Мак-Каллок предложили модель зрительного восприятия и распознавания — перцептрон.

Перцептрон  или любая программа, имитирующая  процесс распознавания, работают в  двух режимах: в режиме обучения и  в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.

Проблема  обучения распознаванию тесно связана с другой интеллектуальной задачей — проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 60-г. Однако для того, чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.

Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка.

В программе  К. Грина и др., реализующей вопросно-ответную систему, знания записываются на языке логики предикатов в виде набора аксиом, а вопросы, задаваемые машине, формулируются как подлежащие доказательству теоремы. Большой интерес представляет "интеллектуальная" программа американского математика Хао Ванга. Эта программа за 3 минуты работы IBM-704 вывела 220 относительно простых лемм и теорем из фундаментальной математической монографии, а затем за 8.5 мин выдала доказательства еще 130 более сложных теорем, часть их которых еще не была выведена математиками. Правда, до сих пор ни одна программа не вывела и не доказала ни одной теоремы, которая бы, что называется "позарез" была бы нужна математикам и была бы принципиально новой.⁸

 Отметим  важнейшие экспертные системы  , использующие алгоритмы ИИ.

MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симпт омов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил. 

PUFF — анализ  нарушения дыхания. Данная система  представляет собой MICIN, из которой  удалили данные по инфекциям  и вставили данные о легочных  заболеваниях. 

DENDRAL — распознавание  химических структур. Данная система старейшая, из имеющих звание экспертных. Первые версии данной системы появились еще в 1965 году во все том же Стенфордском университете. По льзователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующе  химической структуры. 

PROSPECTOR —  экспертная система, созданная  для содействия поиску коммерчески  оправданных месторождений полезных  ископаемых. 
 
 

Нейронные сети. 

Единственный  объект способный мыслить – это  человеческий мозг. Поэтому любое  «мыслящее» устройство должно каким-то образом воспроизводить его структуру. Так  можно сформулировать  основную идею нейрокибернетики. Таким образом, нейрокибернетика ориентирована на аппаратное  моделирование  структур, подобных  структуре мозга. Физиологами давно  установлено, что основой человеческого   мозга является большое количество связанных между собой  и взаимодействующих нервных клеток – нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединение в функционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями. 

Человеческий  мозг состоит «всего» из нескольких десятков миллиардов нейронов и нескольких сотен миллиардов связей между ними, причем время реагирования отдельно взятого нейрона измеряется сотыми долями секунды. С высоты «понимания» современных суперкомпьютеров, осуществляющих в секунду десятки триллионов операций, это непозволительно мало. Ведь даже обычный процессор Intel Pentium 4 содержит около 200 миллионов транзисторов, а подключаемая к нему оперативная память имеет объем до 4 Гб, и при этом на простейшую логическую или арифметическую операцию он тратит меньше одной миллиардной доли секунды. Современные нейросети по своей мощности пока достаточно скромны — они достигли только уровня нервной системы улитки или дождевого червя. Однако даже простейшие нейрочипы, содержащие по 64 нейрона со 128 входами каждый, гораздо быстрее решают задачи распознавания электронных изображений, чем их традиционные собратья, снабженные миллионами транзисторов.

Насколько востребованы обычные ЭВМ, всем хорошо известно. Применение же нейрокомпьютеров более специфично и узко. Их используют для диагностики и распознавания, предсказания результатов забегов на ипподроме и цен на акции, оптимизации инвестиций в производство и минимизации транспортных расходов. Основными заказчиками обученных нейросетей пока являются военные, но уже недалеко, то время, когда новая технология найдет массовое применение.  

 Работа  электронных нейронов. 

Основным  элементом любого нейрокомпьютера  является электронный аналог живого нейрона. Биологический нейрон имеет  несколько нервных отростков — дендритов, принимающих нервные импульсы, и один-единственный отросток — аксон, способный передавать импульс возбуждения дальше. Аксон, разветвляясь, контактирует с дендритами других нейронов, соединяясь с ними через специальные образования — синапсы, которые влияют на силу передаваемого следующим нейронам импульса.

Импульсы, поступившие  к нейрону по нескольким дендритам, суммируются с учетом не только их силы, но и длительности. Если общий  импульс превышает некий пороговый  уровень, то нейрон возбуждается и формирует собственный импульс, передаваемый далее по аксону. Причем пропускная способность синапсов может изменяться со временем, а значит, модифицируется поведение и соответствующего нейрона, и всей нейронной сети в целом.

Примерно  так же работают и электронные нейроны, только роль импульса возбуждения в этом случае выполняет электрическое напряжение, а возбудимость нейрона моделируется некой функцией, зависящей от суммы входных сигналов. Причем сигналы-напряжения, пришедшие по разным проводам-дендритам, перед суммированием умножаются на разные коэффициенты. Естественно, что в процессе обучения и настройки нейросети изменяют именно те коэффициенты, с которыми происходит суммирование сигналов. Коэффициенты, с которыми складываются сигналы, — это как раз и есть та долговременная память, в которой хранится алгоритм работы обученной нейросети. К электрическому аксону подключаются входы нейронов следующего уровня сети, и таким образом реализуется требуемый параллельный вычислитель, способный распознавать и классифицировать поступающие на вход сигналы.