на сайте с 27 августа 2008

История вопроса

Что такое нейромоделирование? Это один из разделов теории нейронных сетей, которая сейчас применяется во всех областях человеческого знания- в медицине, технике, экономике и мн. др. Поэтому для начала рассмотрим что же так нейронные сети и как они возникли.

1942 год — Норберт Винер вместе с соратниками публикует работу о кибернетике. Основной идеей является представление сложных биологических процессов математическими моделями.

1943 год — Маккалок и Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности.

1949 год — Хебб предлагает первый алгоритм обучения.

В 1958 году Розенблаттом изобретен перцептрон (математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга)). Перцептрон обретает популярность — его используют для распознавания образов, прогнозирования погоды и т. д. Казалось, что построение полноценного искусственного интеллекта уже не за горами.

В 1960 году Уидроу (Widrow) совместно со своим студентом Хоффом на основе дельта-правила (формулы Уидроу) разработали Адалин, который сразу начал использоваться для задач предсказания и адаптивного управления. Сейчас Адалин (адаптивный сумматор) является стандартным элементом многих систем обработки сигналов.

В 1961 году под руководством М. М. Бонгарда разработана программа «Кора»: «…задача Коры — поиск разделяющего правила после того, как найдены операторы, дающие достаточно четкие (коротко кодируемые) характеристики объекта или его частей». Программа Кора нашла применение, в частности, для распознавания нефтеносных пластов.

В 1969 году Минский публикует формальное доказательство ограниченности перцептрона и показывает, что он неспособен решать некоторые задачи (Проблема "четности" и "один в блоке"), связанные с инвариантностью представлений. Интерес к нейронным сетям резко спадает.

1974 год — Пол Дж. Вербос и А. И. Галушкин одновременно изобретают алгоритм обратного распространения ошибки для обучения многослойных перцептронов. Изобретение не привлекло особого внимания.

1975 год — Фукушима представляет Когнитрон — самоорганизующуюся сеть, предназначенную для инвариантного распознавания образов, но это достигается только при помощи запоминания практически всех состояний образа.

1982 год — после длительного упадка, интерес к нейросетям вновь возрастает. Хопфилд показал, что нейронная сеть с обратными связями может представлять собой систему, минимизирующую энергию (так называемая сеть Хопфилда). Кохоненом представлена модель сети, решающей задачу кластеризации и обучающейся без учителя — самоорганизующаяся карта Кохонена.

1986 год — Дэвидом И. Румельхартом, Дж. Е. Хинтоном и Рональдом Дж. Вильямсом и независимо и одновременно С. И. Барцевым и В. А. Охониным (Красноярская группа) переоткрыт и существенно развит метод обратного распространения ошибки. Начался взрыв интереса к обучаемым нейронным сетям.

Нейронные сети- учимся у природы и создаем новое

нейронные сети Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга (Patterson, 1996). Основной областью исследований по искусственному интеллекту в 60-е - 80-е годы были экспертные системы. Такие системы основывались на высокоуровневом моделировании процесса мышления (в частности, на представлении, что процесс нашего мышления построен на манипуляциях с символами). Скоро стало ясно, что подобные системы, хотя и могут принести пользу в некоторых областях, не ухватывают некоторые ключевые аспекты человеческого интеллекта. Согласно одной из точек зрения, причина этого состоит в том, что они не в состоянии воспроизвести структуру мозга. Чтобы создать искусственных интеллект, необходимо построить систему с похожей архитектурой.

Мозг состоит из очень большого числа (приблизительно 10,000,000,000) нейронов, соединенных многочисленными связями (в среднем несколько тысяч связей на один нейрон, однако это число может сильно варьировать). Нейроны - это специализированные клетки, способные распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации).

Интенсивность сигнала, получаемого нейроном (а следовательно и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет протяженность, и специальные химические вещества передают сигнал вдоль него. Один из самых авторитетных исследователей нейросистем, Дональд Хебб, высказал постулат, что обучение заключается в первую очередь в изменениях "силы" синаптических связей. Например, в классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика с пищей. Синаптические связи между участками коры головного мозга, ответственными за слух и за регуляцию слюнных желез, усилились, и при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение.

Таким образом, будучи построен из очень большого числа совсем простых элементов (каждый из которых берет взвешенную сумму входных сигналов и в случае, если суммарный вход превышает определенный уровень, передает дальше двоичный сигнал), мозг способен решать чрезвычайно сложные задачи. Разумеется, мы не затронули здесь многих сложных аспектов устройства мозга, однако интересно то, что искусственные нейронные сети способны достичь замечательных результатов, используя модель, которая ненамного сложнее, чем описанная выше.

Базовая модель нейронной сети

Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона дается следующим образом:
 - Он получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется пост-синаптическим потенциалом нейрона - PSP).
 - Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.

Если при этом использовать ступенчатую функцию активации (т.е., выход нейрона равен нулю, если вход отрицательный, и единице, если вход нулевой или положительный), то такой нейрон будет работать точно так же, как описанный выше естественный нейрон (вычесть пороговое значение из взвешенной суммы и сравнить результат с нулем - это то же самое, что сравнить взвешенную сумму с пороговым значением). В действительности, пороговые функции редко используются в искусственных нейронных сетях. Необходимо учесть, что веса могут быть отрицательными, - это значит, что синапс оказывает на нейрон не возбуждающее, а тормозящее воздействие (в мозге присутствуют тормозящие нейроны).

Это было описание отдельного нейрона. Теперь возникает вопрос: как соединять нейроны друг с другом? Если сеть предполагается для чего-то использовать, то у нее должны быть входы (принимающие значения интересующих нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Входы и выходы соответствуют сенсорным и двигательным нервам - например, соответственно, идущим от глаз и в руки. Кроме этого, однако, в сети может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.

Ключевой вопрос здесь - обратная связь (Haykin, 1994). Простейшая сеть имеет структуру прямой передачи сигнала: Сигналы проходят от входов через скрытые элементы и в конце концов приходят на выходные элементы. Такая структура имеет устойчивое поведение. Если же сеть рекуррентная (т.е. содержит связи, ведущие назад от более дальних к более ближним нейронам), то она может быть неустойчива и иметь очень сложную динамику поведения. Рекуррентные сети представляют большой интерес для исследователей в области нейронных сетей, однако при решении практических задач, по крайней мере до сих пор, наиболее полезными оказались структуры прямой передачи, и именно такой тип нейронных сетей моделируется в пакете ST Neural Networks.

Типичный пример сети с прямой передачей сигнала показан на рисунке. Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя. Можно было бы рассматривать сети, в которых нейроны связаны только с некоторыми из нейронов предыдущего слоя; однако, для большинства приложений сети с полной системой связей предпочтительнее, и именно такой тип сетей реализован в пакете ST Neural Networks.
При работе (использовании) сети во входные элементы подаются значения входных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуются с помощью функции активации, и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.

Суммируя все вышесказанное, представим общий принцип функционирования нейронной сети:

Прочитать по теме:
 Нейронные сети.

Нейросетевые технологии как средство организации образовательного процесса.

Нейросети.

Нейромоделирование

Где только не применяют нейромоделирование- медицина, экономика, финансы и даже астрология. В любой области человеческого знания может использоваться искусственный интеллект.
Кроме того, если посмотреть внимательнее, то можно заметить, что и цифровые вычислительные машины, построенные на принципах двоичной арифметики, также являются устройствами, моделирующими работу мозга, в частности, работу мозга при выполнении простейших арифметических операций. Более того, простейшие вычислительные устройства типа арифмометра, логарифмической линейки, счетов, также выполняют те же функции, только моделирование, в этом случае, еще более грубое. И, наконец, сами математические операции также моделируют работу мозга человека при простейших, определенным образом стандартизованных, поведенческих актах. Таким образом, как правило, все, что связано с информацией  явным или неявным образом моделирует деятельность ЦНС человека (или вообще биообъектов). Кроме того, основополагающий принцип нейромоделирования на современном этапе – нейросетевой, совершенно не случаен и имеет довольно глубокие онтологические корни в окружающей нас развивающейся реальности. Достаточно отметить, что бурное развертывание процессов сетевизации началось задолго до применения их в нейромоделировании, а именно, с начала ХХ века в виде распада научной рациональности в связи с возникновением множественности равномощных теорий и соответственно усиления коммуникативных элементов между ними.
Нейромоделирование базируется на нейрофизиологии. Поскольку на самом деле нейрокомпьютеры (НК) как технические устройства проектируются, по своему определению, исходя, в частности, из нейробиологического понимания о работе мозга, хотим мы того или нет, ограничения, присущие нейрофизиологическим моделям, автоматически закладываются и в наши представления о НК. Мы не можем сделать более того, что понимаем. Тем более, что грубость нейрокомпьютинга как раз, прежде всего, и свидетельствует о грубости нейробиологических представлений, поскольку явно и неявно базируется, в конечном счете, именно на них. О грубости применяемых концепций в нейрокомпьютинге можно судить хотя бы по проведенному сравнительному анализу морфологической структуры реальной нервной ткани и, практически единственной, используемой в настоящее время, нейросетевой концепции, основывающейся на примитивном представлении модели нейрона как стандартной ячейки Мак-Каллока – Питса, принятой на вооружение в 40-х годах и совершенно не изменившейся с того времени. Грубость существующих подходов к моделированию нервной ткани можно видеть также в функциональном отношении. В подтверждении вышесказанному необходимо также учитывать довольно ограниченный существующий подход к оценке сложности применяемых моделей как в нейрокомпьютинге, так и в нейробиологии. Односторонность этих оценок, по всей видимости, заложена в самом понятии сложности, сформированном методологией системного подхода и, явно обслуживающей именно его потребности, что, собственно, и вносит в них ограничения.

Именно поэтому имеет смысл заниматься самими нейрофизиологическими моделями. Переход в них на более высокий уровень понимания механизмов работы биологического мозга всегда означает потенциальную возможность воплощения ее в технике рано или поздно. Поэтому объяснение необъяснимых ранее феноменов нейрофизиологии является ценным и для создания новой интеллектуальной вычислительной техники, функционирующей на сколько-нибудь подобных биологическим принципах. В этом плане, вероятнее всего, что между нейрофизиологией и нейроинформатикой существуют взаиморекурсивные связи (т.е. взаимоопределяющие), т. е. причины ограничений технических парадигм имеют начала в нейрофизиологических моделях, которые, в свою очередь, неявно все более и более технизируются, однако, в пределах сегодняшнего уровня техники. Чтобы предпринять попытки выйти за границы этого, в своем роде, замкнутого круга, предлагается выделить причины возникновения нейросетевого принципа, как основополагающего в технике нейрокомпьютинга, в нейрофизиологических моделях, в наибольшей мере испытавших влияние технометодологии, и взглянуть на них с нетрадиционных позиций. Одновременно с этим можно предложить посмотреть на “старую” нейробиологию с позиций новых технических знаний и исходя из новейших ее потребностей, что также может быть плодотворным для обеих сторон. Таким образом, только выход за пределы как нейроинформатики, так и нейробиологии, может дать источник новых парадигмальных установок и, соответственного нового прогресса в этих областях.
Подробнее об этом можно прочитать в статье А. Савельева "ФИЛОСОФИЯ МЕТОДОЛОГИИ НЕЙРОМОДЕЛИРОВАНИЯ: СМЫСЛ И ПЕРСПЕКТИВЫ"

Умная пыль

умная пыль
В 1999 году американские ученые из военного исследовательского агентства DARPA выдвинули концепцию «умной пыли» (smart-dust). Суть идеи в том, чтобы разбрасывать над зоной боевых действий многие тысячи крошечных сенсоров-радиопередатчиков, которые незаметно для противника станут отслеживать все его перемещения и действия. Предполагалось также, что простенькие по отдельности сенсоры будут самоорганизовываться в наделенную определенным интеллектом сеть, которая уже сможет производить фильтрацию и первичную обработку собранных данных, дабы переправлять командованию лишь существенную информацию.
В момент первой публикации идея «умной пыли» представлялась многим скорее фантастикой или, по крайней мере, делом отдаленного будущего. Однако сама концепция вызвала в компьютерном сообществе большой интерес, породила несколько нетривиальных проектов и множество открытых публикаций о невоенных приложениях технологии. Одной из самых плодотворных разработок в этом направлении стал совместный проект Калифорнийского университета в Беркли и корпорации Intel, в рамках которого созданы умные сенсоры Motes («пылинки») с собственной операционной системой TinyOS и базой данных TinyDB. Создатели сенсоров взяли за основу модель разработки продукта с открытым исходным кодом, так что ныне, по сообщению журнала «EE Times», в мире насчитывается больше сотни исследовательских групп, работающих над испытаниями разнообразных прототипов «умной пыли» такого рода.
Что представляет собой базовый прототип «пылинки», созданной в Беркли? Прежде всего, это микроплата сенсора, ориентированного на то или иное приложение, соединенная с платой контроллера беспроводной связи и вместе с ним заключенная в герметичный корпус. Сейчас уже просматриваются технологические возможности для реализации этой конструкции в одночиповом исполнении и упаковки в корпус объемом менее кубического миллиметра. Но пока что исследователям удобнее работать с модульной архитектурой для более гибких манипуляций с отдельными компонентами — сенсорами, связью, интеллектуальной начинкой пылинок-сенсоров и пылинок-шлюзов, питанием и пр.
Помимо поддержки экспертов из Intel, проекту оказывает финансовую помощь DARPA, а официально вся исследовательская программа имеет длинное название Network Embedded Systems Technology Program. В ее рамках по заказу университета Беркли компания Crossbow Technology изготовила для тестирования несколько сотен «умных пылинок» Mote. Вся документация является открытой, так что фирме Crossbow разрешено изготовлять эту аппаратуру для любого заказчика.
Поскольку объем памяти «пылинок» составляет лишь несколько сотен или тысяч байт, то для их совместной работы потребовалась специфическая «крошечная» ОС, или TinyOS, оперирующая файлами размером порядка 200 байт. Операционная система тоже построена по модульному принципу — для повышения надежности и для работы в условиях конкретного приложения отбирается лишь необходимый минимум компонентов.
В основу самоорганизации сети положено принятие решений на основе простых «локальных правил», приводящих к формированию иерархически структурированной архитектуры. Когда на местности развернуты тысячи сенсоров и сотни шлюзов-маршрутизаторов, то простое правило для каждого сенсора гласит: «Установить связь с ближайшим шлюзом». Соответственно, группы сенсоров формируют естественные «деревья» вокруг ближайших шлюзов. «Крошечная» база данных, или TinyDB, тоже имеет модульную структуру. При этом, поскольку работа базы заключается в накоплении и анализе данных, а не передаче их в шлюз, связь с маршрутизатором устанавливается лишь в случае необходимости — когда готов окончательный анализ. По сути дела, TinyDB проводит локальную внутрисетевую обработку данных, которая в значительной степени оказывается независимой от приложений, что существенно расширяет пригодность системы для самых разнообразных задач по сбору информации.
Помимо военных и полицейских приложений, самоорганизующиеся сенсорные сети могут использоваться в мирных, гражданских целях — начиная от наблюдения за окружающей средой и заканчивая присмотром за пожилыми или немощными людьми. Фактически создается принципиально новый класс «сильно распределенных» компьютеров, которые лет через десять войдут в фазу зрелости и откроют целый ряд новых, немыслимых прежде перспектив. По крайней мере, так полагают эксперты, работающие в этой области. (По материалам журнала Компьютерра)
Так в чем суть "умной пыли"- множество "умных пылинок" может незаметно осесть на объект, взаимодействовать друг с другом и передавать информацию о состоянии объекта на центральный пульт управления. Микродатчики могут осуществлять непрерывный мониторинг окружающей среды, выдавая информацию обо всех изменениях.

А что же в биологии? В 2003 году группа исследователей под руководством профессора химии и биохимии Майкла Сэйлора (Michael Sailor) из университета Калифорнии в Сан-Диего (University of California, San Diego — UCSD) создала вариант "умной пыли". "Эти пылинки — ключ к разработке роботов размером с песчинку. В будущем можно будет создать миниатюрные устройства, передвигающиеся в крошечных средах, вроде вен или артерий, к определённым целям, обнаруживать там химические или биологические составы и передавать информацию о них во внешний мир, — заявил Сэйлор.
Создание "умной" пыли – это комбинация электрохимического процесса механической обработки и химических модификаций. Вначале берётся кремниевый чип, из которого гравировкой химикатами получается пористая фотонная структура. Затем эта структура модифицируется, чтобы получилось цветное двустороннее зеркало – красное с одной, зелёное с другой. Наподобие светофора.

Стороны пористой зеркальной поверхности учёные наделили практически противоположными свойствами. Одна — гидрофоб, то есть водоотталкивающая, но "любящая" маслянистые вещества, другая — гидрофил, привлекательная для воды. Вот такой получился кремниевый чип.
После того, как зеркальный чип разрушается ультразвуком, от него остаются микроскопические частички диаметром с человеческий волос. И каждая часть теперь — крошечный датчик. Семейство самоорганизующихся сенсоров.

При появлении воды пылинки начинают себя вести подобно избушке на курьих ножках, "гидрофильной" красной стороной поворачиваясь в воде, а зелёной "гидрофобной" к воздуху. Когда же в "игру" вступает маслянистое (нерастворимое в воде) вещество, частички окружают каплю, прижимаясь к ней "гидрофобной" стороной.

Ну, а поскольку стороны разноцветные, по окраске можно определить, что творится в этой "пыльной" среде. По словам Сэйлора, частицы могут быть запрограммированы на миллионы всевозможных реакций, что даёт возможность обнаружить присутствие тысяч химикалий одновременно.

Длины волн света или цвета, отражённого от поверхностей пылинок после того, как поры отреагируют на химического или биологического агента — это своего рода штрих-код.

В то время как каждая частичка слишком мала, чтобы по её цвету определить изменения, коллектив из сотен или тысяч пылинок уже достаточно заметен для лазера с 20 метров. (Материал журнала МЕМБРАНА)

Биокибернетика

Filip Ponulak, Ph.D. Как говорилось выше, исследованиями в области нейромоделирования в медицине занимаются по всему миру. Например, в Университете города Познань активно занимаются подобными разработками. Кроме того, в целях разработки новых методов нейромоделирования была создана студенческая группа CybAiRNet под руководством доктора Filip Ponulak. Им был разработан новый обучающий метод для нейронных сетей- ReSuMe. Этот метод позволяет оптимизировать работу нейронной сети, он применим для любых существующих нейронных сетей.
Особенное внимание профессор Ponulak уделяет созданию нейронных сетей для решения медицинских проблем. В большинстве случаев проблемами нейромоделирования занимаются
технические специалисты, но необходимым является привлечение и
специалистов биологического и медицинского профиля, в совокупности этот вопрос является предметом биокибернетики- науки, сочетающей новейшие достижения технического прогресса в медицинских и биологических целях.

Ультразвуковое исследование и нейронные сети

узи простаты Ученые из Riverside Research Institute занимаются разработкой новых компьютерных методов визуализации. Эти методы они применяют, в частности для исследований патологий простаты (статья).
Усовершенствованные методы визуализации рака простаты дают возможность сделать более эффективными биопсию и лечение, а возможно и мониторинг при нехирургическом лечении. Но современные широко используемые методы визуализации простаты неспособны полностью отображать опухолевые изменения, в результате для обнаружения и оценки этих изменений нужна биопсия и лечение тоже должно быть инвазивным, а мониторинг при нехирургическом лечении базируется в основном на измерении уровня простатоспецифичного антигена (PSA) и, в большинстве случаев, периодических биопсиях. Традиционное трансректальное ультразвуковое исследование является некой альтернативой биопсии, но оно не дает преимуществ при исследовании пораженной области. Но новые методы визуализации, основанные на спектральном анализе результатов УЗИ и применении нейронных сетей, обещают быть полезными для дифференциальной диагностики раковых и нераковых изменений простаты. Потенциальная чувствительность такого метода более 50%. Если будущие исследования подтвердят эти результаты, то эти эффективные, недорогие и неинвазивные методы визуализации рака простаты могут применяться урологами и онкологами.

Визуализация мозга

визуализация В Университете Триесте (University of Trieste) развернута большая программа по разработке методик визуализации мозга с помощью магнитно-резонансной томографии (МРТ), компьютерной томографии (КТ) и позитронной эмиссионной томографии (ПЭТ), которые позволяют определить анатомические особенности и изменения мозга пациентов, электроэнцефалографии (ЭЭГ) и магнитоэнцефалографии (МЭГ), которые позволяют определить биоэлектрическую активность мозга, и нейромоделлирования. Целью этой работы является получение таких методов, которые позволят врачам и исследователям детально изучить мозг и процессы в нем происходящие, а главное- это будут ценные диагностические инструменты. Уже создан пакет программ для визуализации биоэлектрических процессов в мозге, названный "BrainOne". Сейчас идет разработка новых и доработка уже существующих программ. Главное-внедрить эти методы в широкую практику.
Подобные методы незаменимы для диагностики возраст-ассоциированных болезней мозга-нейродегенеративных заболеваний, а также инсультов и опухолей. Они позволяют не только определить расположение пораженного очага, но и оценить степень повреждения, признаком которого является биоэлектрическая активность мозга.

Нейродегенеративные заболевания

Spruijt Недавно в Университете Утрехта стартовал проект “Neuromodel” под руководством профессора Berry M. Spruijt, научного директора Delta Phenomics. Целью данной работы является исследование нейродегенеративных заболеваний- болезни Паркинсона и хореи Гентингтона.
1) Идентификация механизмов и мишеней поражения при данных заболеваниях
2) Разработка подходов к лечению
3) Разработка моделей прогноза и экстраполяция для человека (исследования ведутся на животных)
4) Поведенческие признаки на животных моделях.
В данном проекте будут задействованы лаборатории по всей Европе. Будет произведено определение фенотипа исследуемых грызунов. Это подразумевает автоматический контроль и анализ поведения животных с помощью специальных клеток (PhenoTyper®), снабженных специальными устройствами, способными определить специфические изменения поведения- обследование, когнитивные способности и беспокойство. Малейшие изменения поведения, например, изменения движения или способа передвижения, спонтанные или запланированные поступки, будут исследованы без учета давления внешней среды для того, чтобы идентифицировать определенный тип поведения. Такой подход позволяет провести детальный анализ передвижения, времяпрепровождения, когнитивных способностей и поведения. Все полученные результаты будут обработаны с использованием новейших программ.
Такой пример использования нейронных сетей очень нагляден- с помощью специальных программ обрабатывается огромный массив информации и проводится его анализ. Применение подобных методов в исследованиях на животных возможно поможет решить одну из важнейших проблем современной биологии-перенос результатов, полученных на экспериментальных животных, на человека.

В заключение

Как мы уже многократно повторяли, нейронные сети и нейромоделирование имеют большое значение в современной биологии и медицине. Несмотря на то, что метод дает большую ошибку, разработки в этой области не стоят на месте. Разрабатываются различные методы оптимизации.
Нейромоделирование применяется для визуализации внутренних органов и идентификации процессов в них происходящих, для экстраполяции экспериментальных результатов, в диагностических целях и мн. др. Другими словами, это комплекс современных методов, представляющий интеграцию физики, математики и биологии.

6 декабря 2008 года

Комментарии

Оставить комментарий

Поделиться с друзьями

Share on Twitter