MemBrain – мощный графический нейросетевой редактор – имитатор для Microsoft Windows, поддерживающий искусственные нейросети произвольного размера и архитектуры. Редактор-имитатор выполнен в виде программы freeware. Тексты нейропакета доступны в Интернет на немецком и английском языках. Его адрес:
http://www.membrain-nn.de/english/download_en.htm.
Назначение и возможности пакета MemBrain
Основные характеристики пакета MemBrain позволяют:
– Передачу подготовленных нейросетей в промышленные программные системы (динамические библиотеки dll) или автоматическую генерацию C-Code обученной нейросети.
– Формирование «на-лету» результатов обучения нейросети на заранее подготовленных данных;
– Обучение «с учителем» и «без учителя»;
– Моделирование сложных нейросетей с учётом временных связей и динамики их изменения;
– Внедрение объектов высокой сложности с учётом языка сценариев.
MemBrain обеспечивает максимальную гибкость разработки и исследования искусственных нейросетей, созданных с помощью интуитивного графического интерфейса пользователя.
К настоящему времени пакет используется многими университетами для исследования и обучения. В то же время, в течение последних лет наблюдается повышение интереса к использованию его в промышленном производстве и технических управляющих приложениях.
Большинство приложений связано с отображением корреляции между входами и выходами неизвестных или недостаточно известных данных в искусственных нейронных сетях. Целью является способность предсказания выходов системы на основе тестирования входов без знания передаточной функции. Знание этих функций часто невозможно совсем, или по крайней мере недоступно для получения законными средствами.
Исключительно важное требование для достижения этой цели – достаточное количество вводимых и выходных пар данных, которые могли быть получены из реальной системы или могли уже быть доступны из исторических записей. Эти данные могут быть импортированы в MemBrain и могут быть использованы для обучения искусственных нейронных сетей.
Как только нейронная сеть разработана и успешно обучена, она может быть использована, чтобы аппроксимировать реальную систему для использования в прогнозах или других вычислениях: новые величины прикладываются ко входам сети – целевые выходные величины вычисляются сетью и доступны через выходные порты сети.
