Yuri Parzhin | National Technical University "Kharkiv Polytechnic Institute" (original) (raw)

Papers by Yuri Parzhin

2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Oct 3, 2022

arXiv (Cornell University), Jul 12, 2017

Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неад... more Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неадекватность проявляется в использовании устаревшей модели нейрона и коннекционистской парадигмы построения ИНС. Результатом данной неадекватности является существование множества недостатков ИНС и проблем их практической реализации. В статье предлагается альтернативный принцип построения ИНС. Этот принцип получил название детекторного принципа. Основой детекторного принципа является рассмотрение свойства связности входных сигналов нейрона. В данном принципе используется новая модель нейрона-детектора, новый подход к обучению ИНС-встречное обучение и новый подход к формированию архитектуры ИНС.

arXiv (Cornell University), Feb 6, 2013

The paper considers the class of information systems capable of solving heuristic problems on bas... more The paper considers the class of information systems capable of solving heuristic problems on basis of formal theory that was termed modal and vector theory of formal intelligent systems (FIS). The paper justifies the construction of FIS resolution algorithm, defines the main features of these systems and proves theorems that underlie the theory. The principle of representation diversity of FIS construction is formulated. The paper deals with the main principles of constructing and functioning formal intelligent system (FIS) on basis of FIS modal and vector theory. The following phenomena are considered: modular architecture of FIS presentation subsystem , algorithms of data processing at every step of the stage of creating presentations. Besides the paper suggests the structure of neural elements, i.e. zone detectors and processors that are the basis for FIS construction.

arXiv (Cornell University), Nov 25, 2014

This paper deals with the problem of neural code solving. On the basis of the formulated hypothes... more This paper deals with the problem of neural code solving. On the basis of the formulated hypotheses the information model of a neuron-detector is suggested, the detector being one of the basic elements of an artificial neural network (ANN). The paper subjects the connectionist paradigm of ANN building to criticism and suggests a new presentation paradigm for ANN building and neuroelements (NE) learning. The adequacy of the suggested model is proved by the fact that is does not contradict the modern propositions of neuropsychology and neurophysiology.

Vestnik Nacionalʹnogo tehničeskogo universiteta "HPI", Nov 13, 2019

Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Эт... more Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Этот принцип основан на определении и детектировании структурных элементов распознаваемых образов, а также их непроизводных и производных характеристик. Непроизводные структурные элементы, а также их качественные и количественные характеристики определяются эмпирически. Эти элементы и их характеристики детектируются специфическими нейронами-детекторами ДНС на этапе сенсорного восприятия. Процесс детектирования непроизводных структурных элементов основан на открытии Девидом Хьюбелом (David Hubel) и Т. Визелем (Torsten Wiesel) избирательной реакции нейронов первичной зрительной коры мозга на определенные стимулы. Однако непроизводных структурных элементов и их характеристик недостаточно для решения задачи классификации образов. Это связано с тем, что в процессе обучения нейрона-детектора класса образов происходит потеря информации, которая не содержит устойчивых признаков классификации. Эта потеря информации отражает обобщающую способность ДНС и ведет к уменьшению ее разрешающей способности. Для увеличения разрешающей способности ДНС необходима дополнительная информация. Эта информация может быть получена в результате формирования производных характеристик структурных элементов распознаваемого образа. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейронами-анализаторами ДНС, которые, по мнению авторов, являются информационными моделями биологических нейронов-анализаторов. Тогда процесс информационного синтеза реализуется единичными производными нейронами-детекторами ДНС. Эти нейроны-детекторы реагируют на цельные образы. Построение информационных моделей нейронов основывается на выдвинутых авторами гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов. Ключевые слова: детекторная нейронная сеть, нейрон-детектор, нейрон-анализатор, нейроморфная модель нейрона, искусственная нейронная сеть, искусственный интеллект.

2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek)

The article discusses the systemic principle of constructing of detector artificial neural networ... more The article discusses the systemic principle of constructing of detector artificial neural networks (DNN). This principle is based on the determination and detection of structural elements of recognizable patterns, as well as their non-derivative and derivative characteristics. Non-derivative structural elements, as well as their qualitative and quantitative characteristics, are determined empirically. These elements and their characteristics are detected by specific neurons-detectors of the DNN at the stage of sensory perception. The process of detecting of non-derivative structural elements is based on the discovery by David Hubel and Torsten Wiesel of the selective response of neurons in the primary visual cortex to certain stimuli. However, non-derivative structural elements and their characteristics are not enough to solve the problem of image classification. This is due to the fact that in the process of training of a neuron-detector of a class of images, information is lost t...

ScienceOpen Research, 2014

This paper deals with the problem of neural code solving. On the basis of the formulated hypothes... more This paper deals with the problem of neural code solving. On the basis of the formulated hypotheses the information model of a neuron-detector is suggested, the detector being one of the basic elements of an artificial neural network (ANN). The paper subjects the connectionist paradigm of ANN building to criticism and suggests a new presentation paradigm for ANN building and neuroelements (NE) learning. The adequacy of the suggested model is proved by the fact that is does not contradict the modern propositions of neuropsychology and neurophysiology.

ArXiv, 2017

Artificial neural networks (ANN) are inadequate to biological neural networks. This inadequacy is... more Artificial neural networks (ANN) are inadequate to biological neural networks. This inadequacy is manifested in the use of the obsolete model of the neuron and the connectionist paradigm of constructing ANN. The result of this inadequacy is the existence of many shortcomings of the ANN and the problems of their practical implementation. The alternative principle of ANN construction is proposed in the article. This principle was called the detector principle. The basis of the detector principle is the consideration of the binding property of the input signals of a neuron. A new model of the neuron-detector, a new approach to teaching ANN - counter training and a new approach to the formation of the ANN architecture are used in this principle.

Neurocomputing, 2020

Most widely used modern artificial neural networks are based on the connectionist paradigm of bui... more Most widely used modern artificial neural networks are based on the connectionist paradigm of building and learning. The authors propose an alternative detector approach. The basis of this approach is the original architecture of the neural network, as well as a new procedure for its learning. The developed neural network is called the detector neural network. This network consists of two layers of neurons. The neurons of the first layer are called neurons-pre-detectors and they do not learn. They are designed to highlight the structural elements of recognizable images, as well as to determine their measured parameters. The types of structural elements and their parameters are set a priori and depend on the type and complexity of recognizable images. Neurons of the second layer can be trained. They recognize individual complex images. These neurons are called neurons-detectors (ND). The model of the ND is significantly different from all known models of neurons and has important fea...

The paper considers the class of information systems capable of solving heuristic problems on bas... more The paper considers the class of information systems capable of solving heuristic problems on basis of formal theory that was termed modal and vector theory of formal intelligent systems (FIS). The paper justifies the construction of FIS resolution algorithm, defines the main features of these systems and proves theorems that underlie the theory. The principle of representation diversity of FIS construction is formulated. The paper deals with the main principles of constructing and functioning formal intelligent system (FIS) on basis of FIS modal and vector theory. The following phenomena are considered: modular architecture of FIS presentation sub-system, algorithms of data processing at every step of the stage of creating presentations. Besides the paper suggests the structure of neural elements, i.e. zone detectors and processors that are the basis for FIS construction.

Bulletin of National Technical University "KhPI". Series: System Analysis, Control and Information Technologies

Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Эт... more Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Этот принцип основан на определении и детектировании структурных элементов распознаваемых образов, а также их непроизводных и производных характеристик. Непроизводные структурные элементы, а также их качественные и количественные характеристики определяются эмпирически. Эти элементы и их характеристики детектируются специфическими нейронами-детекторами ДНС на этапе сенсорного восприятия. Процесс детектирования непроизводных структурных элементов основан на открытии Девидом Хьюбелом (David Hubel) и Т. Визелем (Torsten Wiesel) избирательной реакции нейронов первичной зрительной коры мозга на определенные стимулы. Однако непроизводных структурных элементов и их характеристик недостаточно для решения задачи классификации образов. Это связано с тем, что в процессе обучения нейрона-детектора класса образов происходит потеря информации, которая не содержит устойчивых признаков классификации. Эта потеря информации отражает обобщающую способность ДНС и ведет к уменьшению ее разрешающей способности. Для увеличения разрешающей способности ДНС необходима дополнительная информация. Эта информация может быть получена в результате формирования производных характеристик структурных элементов распознаваемого образа. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейронами-анализаторами ДНС, которые, по мнению авторов, являются информационными моделями биологических нейронов-анализаторов. Тогда процесс информационного синтеза реализуется единичными производными нейронами-детекторами ДНС. Эти нейроны-детекторы реагируют на цельные образы. Построение информационных моделей нейронов основывается на выдвинутых авторами гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов. Ключевые слова: детекторная нейронная сеть, нейрон-детектор, нейрон-анализатор, нейроморфная модель нейрона, искусственная нейронная сеть, искусственный интеллект.

В статье рассматривается системный принцип построения презентативных искусственных нейронных сете... more В статье рассматривается системный принцип построения презентативных искусственных нейронных сетей (ИНС). Данный принцип основан на формировании и детектировании производных характеристик и структурных элементов распознаваемых образов. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейроэлементами–анализаторами, которые, по мнению автора, являются информационными моделями нейронов-анализаторов. Процесс информационного синтеза реализуется нейроэлементами–детекторами. Построение информационных моделей нейронов основывается на выдвинутых автором гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов.

Работа посвящена решению проблемы нейронного кода. На основе сформулированных гипотез предлагаетс... more Работа посвящена решению проблемы нейронного кода. На основе сформулированных гипотез предлагается информационная модель нейрона-детектора, являющегося одним из основных элементов искусственной нейронной сети (ИНС). В работе дана критика коннекционной парадигмы построения ИНС и предлагается новая презентационная парадигма построения ИНС и обучения нейроэлементов (НЭ). Адекватность предлагаемой модели обосновывается ее непротиворечивостью современным положениям нейропсихологии и нейрофизиологии.

The paper considers the class of information systems capable of solving heuristic problems on bas... more The paper considers the class of information systems capable of solving heuristic problems on basis of formal theory that was termed modal and vector theory of formal intelligent systems (FIS). The paper justifies the construction of FIS resolution algorithm, defines the main features of these systems and proves theorems that underlie the theory. The principle of representation diversity of FIS construction is formulated. The paper deals with the main principles of constructing and functioning formal intelligent system (FIS) on basis of FIS modal and vector theory. The following phenomena are considered: modular architecture of FIS presentation sub-system, algorithms of data processing at every step of the stage of creating presentations. Besides the paper suggests the structure of neural elements, i.e. zone detectors and processors that are the basis for FIS construction.

This paper deals with the problem of neural code solving. On the basis of the formulated hypothes... more This paper deals with the problem of neural code solving. On the basis of the formulated hypotheses the information model of a neuron-detector is suggested, the detector being one of the basic elements of an artificial neural network (ANN). The paper subjects the connectionist paradigm of ANN building to criticism and suggests a new presentation paradigm for ANN building and neuroelements (NE) learning. The adequacy of the suggested model is proved by the fact that is does not contradict the modern propositions of neuropsychology and neurophysiology.

Detector neural network vs connectionist ANNs by Yuri Parzhin

Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неад... more Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неадекватность проявляется в использовании устаревшей модели нейрона и коннекционистской парадигмы построения ИНС. Результатом данной неадекватности является существование множества недостатков ИНС и проблем их практической реализации. В статье предлагается альтернативный принцип построения ИНС. Этот принцип получил название детекторного принципа. Основой детекторного принципа является рассмотрение свойства связности входных сигналов нейрона. В данном принципе используется новая модель нейрона-детектора, новый подход к обучению ИНС - встречное обучение и новый подход к формированию архитектуры ИНС.

2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Oct 3, 2022

arXiv (Cornell University), Jul 12, 2017

Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неад... more Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неадекватность проявляется в использовании устаревшей модели нейрона и коннекционистской парадигмы построения ИНС. Результатом данной неадекватности является существование множества недостатков ИНС и проблем их практической реализации. В статье предлагается альтернативный принцип построения ИНС. Этот принцип получил название детекторного принципа. Основой детекторного принципа является рассмотрение свойства связности входных сигналов нейрона. В данном принципе используется новая модель нейрона-детектора, новый подход к обучению ИНС-встречное обучение и новый подход к формированию архитектуры ИНС.

arXiv (Cornell University), Feb 6, 2013

The paper considers the class of information systems capable of solving heuristic problems on bas... more The paper considers the class of information systems capable of solving heuristic problems on basis of formal theory that was termed modal and vector theory of formal intelligent systems (FIS). The paper justifies the construction of FIS resolution algorithm, defines the main features of these systems and proves theorems that underlie the theory. The principle of representation diversity of FIS construction is formulated. The paper deals with the main principles of constructing and functioning formal intelligent system (FIS) on basis of FIS modal and vector theory. The following phenomena are considered: modular architecture of FIS presentation subsystem , algorithms of data processing at every step of the stage of creating presentations. Besides the paper suggests the structure of neural elements, i.e. zone detectors and processors that are the basis for FIS construction.

arXiv (Cornell University), Nov 25, 2014

This paper deals with the problem of neural code solving. On the basis of the formulated hypothes... more This paper deals with the problem of neural code solving. On the basis of the formulated hypotheses the information model of a neuron-detector is suggested, the detector being one of the basic elements of an artificial neural network (ANN). The paper subjects the connectionist paradigm of ANN building to criticism and suggests a new presentation paradigm for ANN building and neuroelements (NE) learning. The adequacy of the suggested model is proved by the fact that is does not contradict the modern propositions of neuropsychology and neurophysiology.

Vestnik Nacionalʹnogo tehničeskogo universiteta "HPI", Nov 13, 2019

Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Эт... more Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Этот принцип основан на определении и детектировании структурных элементов распознаваемых образов, а также их непроизводных и производных характеристик. Непроизводные структурные элементы, а также их качественные и количественные характеристики определяются эмпирически. Эти элементы и их характеристики детектируются специфическими нейронами-детекторами ДНС на этапе сенсорного восприятия. Процесс детектирования непроизводных структурных элементов основан на открытии Девидом Хьюбелом (David Hubel) и Т. Визелем (Torsten Wiesel) избирательной реакции нейронов первичной зрительной коры мозга на определенные стимулы. Однако непроизводных структурных элементов и их характеристик недостаточно для решения задачи классификации образов. Это связано с тем, что в процессе обучения нейрона-детектора класса образов происходит потеря информации, которая не содержит устойчивых признаков классификации. Эта потеря информации отражает обобщающую способность ДНС и ведет к уменьшению ее разрешающей способности. Для увеличения разрешающей способности ДНС необходима дополнительная информация. Эта информация может быть получена в результате формирования производных характеристик структурных элементов распознаваемого образа. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейронами-анализаторами ДНС, которые, по мнению авторов, являются информационными моделями биологических нейронов-анализаторов. Тогда процесс информационного синтеза реализуется единичными производными нейронами-детекторами ДНС. Эти нейроны-детекторы реагируют на цельные образы. Построение информационных моделей нейронов основывается на выдвинутых авторами гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов. Ключевые слова: детекторная нейронная сеть, нейрон-детектор, нейрон-анализатор, нейроморфная модель нейрона, искусственная нейронная сеть, искусственный интеллект.

2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek)

The article discusses the systemic principle of constructing of detector artificial neural networ... more The article discusses the systemic principle of constructing of detector artificial neural networks (DNN). This principle is based on the determination and detection of structural elements of recognizable patterns, as well as their non-derivative and derivative characteristics. Non-derivative structural elements, as well as their qualitative and quantitative characteristics, are determined empirically. These elements and their characteristics are detected by specific neurons-detectors of the DNN at the stage of sensory perception. The process of detecting of non-derivative structural elements is based on the discovery by David Hubel and Torsten Wiesel of the selective response of neurons in the primary visual cortex to certain stimuli. However, non-derivative structural elements and their characteristics are not enough to solve the problem of image classification. This is due to the fact that in the process of training of a neuron-detector of a class of images, information is lost t...

ScienceOpen Research, 2014

This paper deals with the problem of neural code solving. On the basis of the formulated hypothes... more This paper deals with the problem of neural code solving. On the basis of the formulated hypotheses the information model of a neuron-detector is suggested, the detector being one of the basic elements of an artificial neural network (ANN). The paper subjects the connectionist paradigm of ANN building to criticism and suggests a new presentation paradigm for ANN building and neuroelements (NE) learning. The adequacy of the suggested model is proved by the fact that is does not contradict the modern propositions of neuropsychology and neurophysiology.

ArXiv, 2017

Artificial neural networks (ANN) are inadequate to biological neural networks. This inadequacy is... more Artificial neural networks (ANN) are inadequate to biological neural networks. This inadequacy is manifested in the use of the obsolete model of the neuron and the connectionist paradigm of constructing ANN. The result of this inadequacy is the existence of many shortcomings of the ANN and the problems of their practical implementation. The alternative principle of ANN construction is proposed in the article. This principle was called the detector principle. The basis of the detector principle is the consideration of the binding property of the input signals of a neuron. A new model of the neuron-detector, a new approach to teaching ANN - counter training and a new approach to the formation of the ANN architecture are used in this principle.

Neurocomputing, 2020

Most widely used modern artificial neural networks are based on the connectionist paradigm of bui... more Most widely used modern artificial neural networks are based on the connectionist paradigm of building and learning. The authors propose an alternative detector approach. The basis of this approach is the original architecture of the neural network, as well as a new procedure for its learning. The developed neural network is called the detector neural network. This network consists of two layers of neurons. The neurons of the first layer are called neurons-pre-detectors and they do not learn. They are designed to highlight the structural elements of recognizable images, as well as to determine their measured parameters. The types of structural elements and their parameters are set a priori and depend on the type and complexity of recognizable images. Neurons of the second layer can be trained. They recognize individual complex images. These neurons are called neurons-detectors (ND). The model of the ND is significantly different from all known models of neurons and has important fea...

The paper considers the class of information systems capable of solving heuristic problems on bas... more The paper considers the class of information systems capable of solving heuristic problems on basis of formal theory that was termed modal and vector theory of formal intelligent systems (FIS). The paper justifies the construction of FIS resolution algorithm, defines the main features of these systems and proves theorems that underlie the theory. The principle of representation diversity of FIS construction is formulated. The paper deals with the main principles of constructing and functioning formal intelligent system (FIS) on basis of FIS modal and vector theory. The following phenomena are considered: modular architecture of FIS presentation sub-system, algorithms of data processing at every step of the stage of creating presentations. Besides the paper suggests the structure of neural elements, i.e. zone detectors and processors that are the basis for FIS construction.

Bulletin of National Technical University "KhPI". Series: System Analysis, Control and Information Technologies

Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Эт... more Ррассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Этот принцип основан на определении и детектировании структурных элементов распознаваемых образов, а также их непроизводных и производных характеристик. Непроизводные структурные элементы, а также их качественные и количественные характеристики определяются эмпирически. Эти элементы и их характеристики детектируются специфическими нейронами-детекторами ДНС на этапе сенсорного восприятия. Процесс детектирования непроизводных структурных элементов основан на открытии Девидом Хьюбелом (David Hubel) и Т. Визелем (Torsten Wiesel) избирательной реакции нейронов первичной зрительной коры мозга на определенные стимулы. Однако непроизводных структурных элементов и их характеристик недостаточно для решения задачи классификации образов. Это связано с тем, что в процессе обучения нейрона-детектора класса образов происходит потеря информации, которая не содержит устойчивых признаков классификации. Эта потеря информации отражает обобщающую способность ДНС и ведет к уменьшению ее разрешающей способности. Для увеличения разрешающей способности ДНС необходима дополнительная информация. Эта информация может быть получена в результате формирования производных характеристик структурных элементов распознаваемого образа. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейронами-анализаторами ДНС, которые, по мнению авторов, являются информационными моделями биологических нейронов-анализаторов. Тогда процесс информационного синтеза реализуется единичными производными нейронами-детекторами ДНС. Эти нейроны-детекторы реагируют на цельные образы. Построение информационных моделей нейронов основывается на выдвинутых авторами гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов. Ключевые слова: детекторная нейронная сеть, нейрон-детектор, нейрон-анализатор, нейроморфная модель нейрона, искусственная нейронная сеть, искусственный интеллект.

В статье рассматривается системный принцип построения презентативных искусственных нейронных сете... more В статье рассматривается системный принцип построения презентативных искусственных нейронных сетей (ИНС). Данный принцип основан на формировании и детектировании производных характеристик и структурных элементов распознаваемых образов. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейроэлементами–анализаторами, которые, по мнению автора, являются информационными моделями нейронов-анализаторов. Процесс информационного синтеза реализуется нейроэлементами–детекторами. Построение информационных моделей нейронов основывается на выдвинутых автором гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов.

Работа посвящена решению проблемы нейронного кода. На основе сформулированных гипотез предлагаетс... more Работа посвящена решению проблемы нейронного кода. На основе сформулированных гипотез предлагается информационная модель нейрона-детектора, являющегося одним из основных элементов искусственной нейронной сети (ИНС). В работе дана критика коннекционной парадигмы построения ИНС и предлагается новая презентационная парадигма построения ИНС и обучения нейроэлементов (НЭ). Адекватность предлагаемой модели обосновывается ее непротиворечивостью современным положениям нейропсихологии и нейрофизиологии.

The paper considers the class of information systems capable of solving heuristic problems on bas... more The paper considers the class of information systems capable of solving heuristic problems on basis of formal theory that was termed modal and vector theory of formal intelligent systems (FIS). The paper justifies the construction of FIS resolution algorithm, defines the main features of these systems and proves theorems that underlie the theory. The principle of representation diversity of FIS construction is formulated. The paper deals with the main principles of constructing and functioning formal intelligent system (FIS) on basis of FIS modal and vector theory. The following phenomena are considered: modular architecture of FIS presentation sub-system, algorithms of data processing at every step of the stage of creating presentations. Besides the paper suggests the structure of neural elements, i.e. zone detectors and processors that are the basis for FIS construction.

This paper deals with the problem of neural code solving. On the basis of the formulated hypothes... more This paper deals with the problem of neural code solving. On the basis of the formulated hypotheses the information model of a neuron-detector is suggested, the detector being one of the basic elements of an artificial neural network (ANN). The paper subjects the connectionist paradigm of ANN building to criticism and suggests a new presentation paradigm for ANN building and neuroelements (NE) learning. The adequacy of the suggested model is proved by the fact that is does not contradict the modern propositions of neuropsychology and neurophysiology.

Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неад... more Искусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неадекватность проявляется в использовании устаревшей модели нейрона и коннекционистской парадигмы построения ИНС. Результатом данной неадекватности является существование множества недостатков ИНС и проблем их практической реализации. В статье предлагается альтернативный принцип построения ИНС. Этот принцип получил название детекторного принципа. Основой детекторного принципа является рассмотрение свойства связности входных сигналов нейрона. В данном принципе используется новая модель нейрона-детектора, новый подход к обучению ИНС - встречное обучение и новый подход к формированию архитектуры ИНС.