新的神经网络。俄罗斯的一位科学家开发了一种新的神经网络架构，并测试了其在识别手写数字方面的学习能力。网络智能被混乱放大，分类准确率达到96.3％。该网络可以用于具有少量RAM并嵌入在诸如鞋子或冰箱的家用物品中的微控制器，以使其“智能”。该研究发表在“ Electronics”上。如今，找到一种新的神经网络特别重要，该神经网络可以运行带有少量随机存取存储器（RAM）的微控制器。为了进行比较，在普通的现代计算机中，以GB为单位计算随机存取存储器。尽管微控制器的处理能力比笔记本电脑和智能手机的处理能力小得多，但它们却更小并且可以与家用物品进行交互。智能门，冰箱，鞋子，眼镜，水壶和咖啡壶为所谓的环境智能奠定了基础。该术语是指互连的智能设备的环境。环境智能的一个例子是智能家居。内存有限的设备无法存储大量密钥，用于安全的数据传输和神经网络设置阵列。由于它们缺乏所需的计算能力，因此可以防止将人工智能引入物联网设备。但是，人工智能将使智能设备在分析和决策上花费更少的时间，更好地了解用户并帮助他们友好。因此，在诸如医疗保健领域的环境智能创建中有许多新的机会。俄罗斯彼得罗扎沃茨克州立大学的Andrei Velichko（Andrei Velichko）创建了一种新的神经网络体系结构，该体系结构允许有效利用少量RAM，从而为将低功耗设备引入物联网创造了机会。该网络称为LogNNet，是一个馈线神经网络，其中信号仅从输入定向到输出。它对输入信号使用确定性混沌滤波器。系统会随机混合输入信息，但同时会从最初不可见的信息中提取有价值的数据。储层神经网络也使用类似的机制。为了产生混乱，应用了简单的逻辑映射方程式，其中根据前一个值计算下一个值。该方程式通常用于群体生物学中，并作为计算混沌值序列的简单方程式的示例。这样，简单方程式就可以存储由处理器计算出的无限数量的随机数，并且网络体系结构会使用它们并消耗较少的RAM。科学家安德烈·维利奇科（Andrei Wieliczko）在MNIST数据库中对他的神经网络进行了手写数字识别测试，该数据库被认为是训练神经网络识别图像的标准。该数据库包含超过70,000个手写数字。其中有60,000个用于训练神经网络，其他10,000个用于网络测试。网络中的神经元和混乱越多，识别图像的能力就越强。网络实现的最大精度为96.3％，开发的体系结构使用的RAM不超过29KB。另外，LogNNet使用1-2kB范围内的非常小的RAM展示了令人鼓舞的结果。微控制器Atmega328可以嵌入到智能门或什至是智能鞋垫中，并且具有大致相同的内存量。 “由于这种发展，物联网的新机会正在打开，因为任何配备有低功耗微控制器的设备都可以由人工智能提供动力。这样，无需为智能设备上的信息打开处理路径，而无需将数据发送到云服务即可改善诸如智能家居之类的操作。这是彼得罗扎沃茨克州立大学的科学家正在积极研究的对物联网发展的重要贡献。此外，本研究还概述了研究混乱对人类劳动的影响。智能影响的替代方法，“安德烈·维利奇科说。