В настоящее время для решения различных задач распознавания образов, классификации и нелинейной регрессии используются нейронные сети, в том числе с помощью программ для имитации нейрокомпьютеров на персональных компьютерах. Нейронные сети обучаются для дальнейшего предсказания результата по некоторому набору тестовых данных. В существующих нейроимитаторах и архитектурах нейронных сетей хорошо представлены модели и методы безусловной оптимизации [1-2]. Эти модели и методы позволяют решать различные прикладные задачи, связанные с прогнозом (предсказанием) выходного значения. Но, существует ряд задач, для которых кроме прогноза выходного значения необходимо определение значимости входных данных. Например, это требуется при решении различных задач медицины и педагогики. Кроме того, определение значимости может быть использовано для построения эмпирической или полуэмпирической теории исследуемой области знаний. Для решения подобных задач с использованием имитаторов сигмоидных нейронных сетей приходится использовать дополнительные методы или дополнительное время обучения. В работах [1-2] предложена структура специальных монотонных нейронных сетей, позволяющих определять значимость входного сигнала или связи и контрастировать сеть в ходе первоначального обучения.
        Сформулирован ряд свойств монотонных нейронных сетей, выделены два основных типа монотонных нейронных сетей:
           1) сильно монотонные нейронные сети,
           2) слабо монотонные нейронные сети.
        По предложенным моделям монотонных нейронных сетей в системе программирования Delphi на языке программирования ObjectPascal реализована программа для генерации и обучения монотонных нейронных сетей. Цель разработки - создание инструментария и системы для имитации монотонных нейронных сетей. Также разработан имитатор для нейросетей без учителя.
        Возможности нейроимитаторов и обученных нейросетей:
     - простой пользовательский интерфейс, не требующий большого количества специальных знаний для решения простой задачи;
     - возможность создавать нейросети с количеством нейронов от 2 до 100;
     - возможности контрастировать, тестировать нейросети, определять параметры значимости;
     - использование обучающей выборки - файла базы данных (таблицы) в формате dBase либо Paradox.
        Работа поддержана грантом ФЦП “Интеграция”, проект №68, направление 2.1.

Литература:

1. Горбань А.Н. Обучение нейронных сетей. М.1990
2. Горбань А.Н. Россиев Д.А. Нейронные сети на персональных компьютерах., Н.: Наука, 1996