<p>Постановка проблемы. Многие теоретические и прикладные задачи можно свести к<br /> определению функции (в той мере, которая достаточна для ее использования) вектора<br /> характеристик системы от вектора ее параметров по известным точкам этой функции и<br /> сведениям о ее поведении (например, выведение научной теории из множества фактов,<br /> прогнозирование погоды, задачи оптимизации и т.д.). Обычно такие функции настолько<br /> сложны, что не поддаются формализации не только на алгоритмическом уровне, но и на<br /> уровне словесного описания: в этих случаях говорят об интуиции эксперта как о механизме<br /> реализации такой функции. Однако формирование знаний эксперта можно промоделировать<br /> с помощью нейронных сетей.<br /> Большинство существующих нейросетевых систем имеют программную реализацию на<br /> вычислительных системах с фоннейманновской архитектурой, что существенно<br /> ограничивает скорость их работы и сокращает возможности использования во встроенных<br /> вычислительных системах. Опубликованные аппаратные реализации нейросетей в<br /> определенной мере следовали общей тенденции к повторению последовательного характера<br /> работы программных реализаций, что упрощает их создание и понимание, но приводит к<br /> простою используемых аппаратных ресурсов.<br /> Цель работы – создание обучающейся нейронной сети на программируемой<br /> логической интегральной схеме (ПЛИС) с минимальным простоем аппаратных ресурсов.</p>