Тут ссылку на кучу книжек выложили - очень интересно.
Интересно, а много среди нас тех кто яростно использует эти самые нейронные сети и в каких задачах.
Я так прикинул куда их можно прикрутить.
Пусть фильтрация сигналов, дык вроде как оптимального фильтра круче нет на свете, да и с анализом оптималки куда проще, во всяком случае не сложнее.
Распознавание образов. Стояла актуальная задача (в общем так и не упала).
Прикупил книжку (не помню название синенькая такая), там был даже пример распознавания контуров объектов, так вот незадача самая важная часть (количественная оценка объекта, например танк=1.3 а дом=5) вычислялась Фурье преобразованием, а вот компаратор объектов выполнен на нейронах
Еще неудачный пример. Несколько лет назад, будучи студентом, попалась компьютеррка с популяризацией эволюционных методов обучения нейронных сетей. От прочитанного эмоции лились через край (в возбужденной голове мелькали фразы "Я понял суть мироздания! Миру пи@дец!"). Принялся за дело. Для начала решил из одного урезанного нейрона получить эволюционными методами кореллятор. Написал в MatLab программку и вперед, за 15 минут расчета сеть (если можно так назвать) приблизилась к результату ~95% далее за сутки почти ни с места.
В общем, буду рад услышать ваши отзывы, только не надо бщих фраз типа "Ну а вы что хотели, это конкретные решения конкретных задач".

В некоторых современных датчиках расхода, используется алгоритм распознавания степени загрязнения тела обтекания или стенок трубы с использованием нейросетей. По закгрязнению они пото корретируют расход. Была написана модель загрязнения, по ней обучили нейросеть, подобрали веса нейронов и все такое. Сеть получилась не очень большая, веса нейронов известны, поэтому она легко влезла в микроконтроллер, правда DSP.
Будучи студентом, была у меня на практике тема. Определение источника загрязнения воздуха и его параметров в городе. Так вот вообщем-то задача решается собычным методами(наменьшей среднеквадратической ошибки) путем сравнивания с эталонной моделью. Но оказалось, что нейросети были как нельзя кстати. Так мат модель распространения примесей в городе была известна. Все что нужно было - это просто подобрать тип нейросети и обучить ее. И она превосходно решала эту задачу.
Еще знаю разработана система управления снабжения города электроэенргией. Сеть обучалась на основе данных за н-ое количество дней. Полсе этого она прекрасно предсказывала, сколько энергии сейчас нуно, чтобы не перегружать подстанции.
И еще знаю, система диспетчерезации и распределения грузовых поездов на перегонах.
Да еще в теории финаннсов и на бирже есть системы работающие под управлением самообучающихся нейросетей.

А я по работе хочу использовать НС для оценки канала распространения радиосигнала и синхронизации. Получается пока хреново .
Зато домашний проект прикручивания самоорганизующейся НС к тележке на колёсиках идёт полным ходом .
А вообще мне немного не повезло -- у нас НС'ами занимается другой отдел. Они их успользуют для фильтрации сигнала и управления фазированными антенными решётками. Говорят получается.
По поводу применения НС рекомендую прочесть книжки "применение НС для обработки сигналов" и "... для обработки изображений". Так же -- www.module.ru -- это по поводуклассификации в реальном времени. У них в авишных демонстрашках есть такое.

А какие симуляторъи ползуете?
Если можно даите линк на что то интересное. Хочется попробоват потенциал невросетей. Я давно занимаюс с Голосовое Управление но до тех пор с стандартное програмирование не успел сделат что то устоичиво работащее.

Я пользовал MatLab с пакетом для нейронесетей.

Я программист, поэтому симуляторы самописные. Сейчас с женой делаем пакет анализа данных с GUI по linux. Ей - для жидкостной хроматографии, мне - для систем связи, AI и всего остального . Но он будет, в основном, расчитан на плату нейросопроцессора МС4.31. Как напишу - выложу под GPL.

Где я использовал нейросети:
- C-кластеризация в задачах классификации
- анализ набора хаотических данных в отсутствии корелляционной зависимости

Интересно кто-нибудь использовал НС в задачах анализа временных рядов курсов валют или котировок? Ну конечно же использовал. Интересует каких результатов Вы добились?

Мы с приятелем пытаемся. Но до результата ещё далеко.

А посмотри:
http://www.keldysh.ru/departments/dpt_17/redko.html
и
http://www.iont.ru/projects/rfbr/90197/.

По-моему, как раз он и использовал нейронные сети для анализа курса котировок акций.

Я пользую НС для диагностики металлических конструкций при сложных динамических нагрузках. Пока правда есть трудности, но двигаюсь к успеху. Есть интересный вопрос, на который все специалисты в этой области стараются не отвечать "Как зависит структура НС от сложности объекта, информацию о котором она обрабатывает" Есть только частные случаи решения этой проблемы.

я студентом будучи, для проекта по автоматике делал регулятор на нейросети и на нечеткой логике (два разных регулятора) - положение шарика на наклонной плоскости регулировал - намано получилось, нейросети и нечеткая логика давали похожие результаты, регулирование было быстрее чем ПИД регулятором.
работал с МатЛабом и модулями к нему.

При более сложном алгоритме управления получается, что использование НС не выгодно. Прелесть НС в том, что она учится управлять сама. Но кто будет ее учить? Применение сетей без учителя возможно, но при небольшом количестве нейронов. Применение сетей с учителем требует непосредственно учителя, а учить может или человек или регулятор, который подключен параллельно с НС находящейся в состоянии обучения. Сами понимаете, что если есть работающий регулятор, то зачем еще городить НС. Вот и возникает вопрос, как зависит структура НС от сложности объекта управления?)

В серии "Нейрокомпьютеры и их применение" была книга #2 "нейроуправление и его применение" автор - Сигеру Омату. Там сравнивалось PID, нейро и fuzzy. Алгоритмы самообучения там тоже рассмотрены.

Самое главное это понять что ничего магического НС делать не могут: на самом деле это просто линейные функции, то есть задается плоскость и нейрон определяет с какой стороны от нее находятся входные данные, ну а обучение это просто выбор этой плоскости. Более сложные НС это еще простенькая схемка приделанная к нескольким нейронам. Вот и получается что они могут решать только задачи которые (пусть приближенно) можно описать таким тривиальным способом.

нейросети это не обязательно линейные функции - функцию нейрона можно задать любую, и вся сеть будет описывать достаточно сложную фигуру.
не стоит забывать "самообучающиеся сети" - которые достаточно широко используются в задачах классификации - здесь интерес в том, что неизвестный входной сигнал (который раньше не встречался) может быть отнесен к уже существующим группам, или сеть создаст новую группу.

надеюсь понятно написал?