Combining Artificial Neural Nets: Ensemble and Modular Multi-Net Systems

دهه گذشته را می توان به عنوان دوران اوج محاسبات عصبی در نظر گرفت: که در آن قابلیت های شبکه های یکپارچه به خوبی کاوش و مورد بهره برداری قرار گرفته است. سوال اینجاست که از اینجا به کجا می‌رویم؟ یک گام منطقی بعدی، بررسی پتانسیل ارائه شده توسط ترکیبات شبکه های عصبی مصنوعی است، و این مرحله است که فصل های این جلد نشان دهنده آن است. به طور شهودی، منطقی است که به ترکیب ANN ها نگاه کنیم. واضح است که سیستم‌ها و مغزهای بیولوژیکی پیچیده به مدولار بودن متکی هستند. به طور مشابه، اصول ماژولار بودن، و قابلیت اطمینان از طریق افزونگی را می توان در بسیاری از حوزه های متفاوت یافت، از ایده تصمیم گیری توسط هیئت منصفه گرفته تا افزونگی سخت افزاری در هواپیماها، و مزایای طراحی مدولار و استفاده مجدد توسط برنامه نویسان شی گرا. . و تعجب آور نیست که دریابیم که همان اصول را می توان به طور مفید در زمینه محاسبات عصبی نیز به کار برد، اگرچه یافتن بهترین راه برای انطباق آنها موضوع تحقیقات مداوم است.

The past decade could be seen as the heyday of neurocomputing: in which the capabilities of monolithic nets have been well explored and exploited. The question then is where do we go from here? A logical next step is to examine the potential offered by combinations of artificial neural nets, and it is that step that the chapters in this volume represent. Intuitively, it makes sense to look at combining ANNs. Clearly complex biological systems and brains rely on modularity. Similarly the principles of modularity, and of reliability through redundancy, can be found in many disparate areas, from the idea of decision by jury, through to hardware re­ dundancy in aeroplanes, and the advantages of modular design and reuse advocated by object-oriented programmers. And it is not surprising to find that the same principles can be usefully applied in the field of neurocomput­ ing as well, although finding the best way of adapting them is a subject of on-going research.