В настоящее время для решения различных задач распознавания образов, классификации и нелинейной регрессии используются нейронные сети. 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 нейронных сетей - монотонных, позволяющих определять значимость входного сигнала или связи и контрастировать сеть в ходе первоначального обучения.
        В слоистых монотонных нейронных сетях каждый слой состоит из двух блоков нейронов - возбуждения и торможения, по-разному ведущих себя в отношении к нейронам аналогичного и противоположного блоков следующего слоя. Выходной сигнал каждого монотонного нейрона всегда положителен, независимо от типа нейрона. Синаптические коэффициенты положительны для связей, ведущих от однотипных нейронов, и отрицательны для связей ведущих от нейронов другого типа. Функция нелинейного преобразования этих нейронов подобна функции сигмоидных нейронов, но смещена выше оси х. Асимптота левой ветви графика функции - ось х, асимптотой правой ветви обычно служит прямая y = 1 (в общем случае y = const). Желательный диапазон изменения выходных значений функции активации [0..1].
        В системе программирования Delphi, на языке программирования ObjectPascal, реализована программа для генерации и обучения слоистых монотонных нейронных сетей, с количеством слоев от 2 до 5.
        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