Студопедия

КАТЕГОРИИ:


Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748)

Застосування нейронних мереж

Поява і широке застосування останнім часом нейромереж і нейрокомп’ютерів зумовлено низкою важливих підстав. По-перше, дуже багато задач з інформатики та економіки не можна розв’язати класичними методами теорії управління, оптимізації і системного аналізу. Річ у тім, що будь-який проектувальник складних систем має справу з тим самим комплексом проблем, що погано піддаються розв’язанню традиційними методами. Неповнота знань про зовнішній світ, неминуча погрішність даних, які надходять, непередбачуваність реальних ситуацій – усе це змушує розробників мріяти про адаптивні інтелектуальні системи, які здатні підстроюватися до змін у "правилах гри" і самостійно орієнтуватися за складних умов.

По-друге, "прокляття розмірності" стає реальним стримуючим чинником за розв’язання багатьох (якщо не більшості) серйозних задач. Проектувальник не в змозі врахувати і звести в загальну систему рівнянь всю сукупність зовнішніх умов, особливо за наявності безлічі активних протидій. Тому самостійна адаптація системи в процесі динамічного моделювання "умов, наближених до бойових" – чи не єдиний спосіб розв’язування задач за таких обставин.

Нейромережі (нейрокомп’ютери) забезпечують користувачів надзвичайно гнучким і в певному розумінні універсальним аналітичним інструментарієм. Вони дають змогу розв’язувати досить різні типи задач. Охарактеризуємо деякі з них.

Класифікація образів. Завдання полягає у визначенні належності вхідного образу (наприклад, мовного сигналу або рукописного символа), поданого вектором ознак, одному або кільком заздалегідь визначеним типам. До відомих додатків відносяться розпізнавання букв, розпізнавання мови, класифікація сигналу електрокардіограми, класифікація клітин крові тощо.

Кластеризація/категоризація. За розв’язання завдання з кластеризації, яке відоме також як класифікація образів "без учителя", відсутня навчальна вибірка з мітками типів. Алгоритм кластеризації грунтується на подібності образів і розміщує схожі образи в один кластер. Відомі випадки застосування кластеризації для добування знань, стиснення даних і дослідження їх властивостей.

Апроксимація функцій. Допустимо, що є навчальна вибірка (х1, y1), (х2, y2), …, (хn, yn) (пари відповідних даних входу-виходу), яка генерується невідомою функцією F(x), спотвореною шумом. Завдання апроксимації полягає в знаходженні оцінки невідомої функції F(x). Апроксимація функцій необхідна за розв’язання численних інженерних і наукових завдань з моделювання.

Передбачення/прогнозування. Нехай задані п дискретних значень {y(t1), y(t2),..., y(tn)} у послідовні моменти часу t1, t2,..., tn. Завдання полягає в прогнозуванні значення у(tn+1) в деякий майбутній момент часу tn+1. Передбачення мають значний вплив на прийняття рішень у бізнесі, науці і техніці. Прогноз цін на фондовій біржі і прогноз погоди є типовими додатками методів передбачення/прогнозування.

Оптимізація. Численні проблеми в економіці та інших наукових галузях можуть розглядатися як проблеми оптимізації. Завданням алгоритму оптимізації є знаходження такого розв’язку, який задовольняє систему обмежень і максимізує або мінімізує цільову функцію.

Контекстно-адресована пам’ять. У моделі обчислень фон Неймана, що послужила базисом традиційної обчислювальної техніки, звернення до пам’яті було можливим тільки за допомогою адреси комірки пам’яті, яка не залежить від її змісту. Більше того, якщо допущена помилка в адресі, то може бути знайдена абсолютно інша інформація. Контекстно-адресована (асоціативна) пам’ять або пам’ять, що адресується за змістом, доступна за вказівкою заданого змісту. Асоціативна пам’ять надзвичайно бажана за створення мультимедійних інформаційних баз даних.

Управління. Розглянемо динамічну систему, задану сукупністю {u(t), y(t)}, де u(t) є вхідним керуючим впливом, а у(t) – виходом системи в момент часу t. У системах управління з еталонною моделлю мети управління є можливість розрахунку такої величини вхідного впливу u(t), при якій система рухається за бажаною траєкторією, що визначається еталонною моделлю.

У принципі, нейронні мережі можуть обчислювати значення будь-яких функцій, інакше кажучи, виконувати все, що можуть робити традиційні комп’ютери. На практиці для того, щоб застосування нейронної мережі було доцільним, необхідно, щоб задача мала такі ознаки: невідомий алгоритм або принципи розв’язання задачі, але накопичена достатня кількість прикладів; проблема характеризується великими обсягами вхідної інформації; дані неповні або надмірні, містять шуми, частково суперечливі.

Отже, нейронні мережі добре підходять для розпізнавання образів і розв’язання задач з класифікації, оптимізації і прогнозування. Нижче наведений перелік можливих застосувань нейронних мереж у промисловості, на базі яких або вже створені комерційні продукти, або реалізовані демонстраційні прототипи.

Банки і страхові компанії: автоматичне зчитування чеків і фінансових документів; перевірка достовірності підписів; оцінювання ризику для позик; прогнозування змін економічних показників.

Адміністративне обслуговування: автоматичне зчитування документів; автоматичне розпізнавання штрихових кодів.

Нафтова і хімічна промисловість: аналізування геологічної інформації; ідентифікація зіпсувань обладнання; розвідування покладів мінералів за даними аерофотознімків; аналіз складу домішок; управління процесами.

Військова промисловість і аеронавтика: оброблення звукових сигналів (поділ, ідентифікація, локалізація, усунення шуму, інтерпретація); оброблення радарних сигналів (розпізнавання цілей, ідентифікація і локалізація джерел); оброблення інфрачервоних сигналів (локалізація); узагальнення інформації; автоматичне пілотування.

Промислове виробництво: керування маніпуляторами; управління якістю; управління процесами; виявлення зіпсувань; адаптивна робототехніка; керування голосом.

Служба безпеки: розпізнавання осіб, голосів, відбитків пальців.

Біомедична промисловість: аналіз рентгенограм; виявлення відхилень в електрокардіограмах.

Телебачення і зв’язок: адаптивне управління мережею зв’язку; стиснення і відновлення зображень.

Можна продовжувати наведення прикладів вдалого використання технологій нейронних мереж. Проте є низка недоліків, пов’язаних із застосуванням для розв’язання задач з ідентифікації взірців інформації. Головним із них є те, що для навчання нейромережі потрібна велика кількість фактичної інформації (кількість спостережень від 50 до 100). Для аналітичних задач у бізнесі це не завжди можна забезпечити. Крім цього, неявне навчання призводить до того, що структура зв’язків між нейронами стає "незрозумілою" – не існує іншого способу її прочитати, крім як запустити функціонування мережі. Стає складно відповісти на запитання: "Як нейронна мережа отримує результат?" – тобто побудувати зрозумілу людині логічну конструкцію, що відтворює дії мережі. Це явище можна назвати "логічною непрозорістю" нейронних мереж, навчених за неявними правилами. Навіть добре натренована нейромережа являє собою "чорний ящик", тобто систему, в якій зовнішньому спостерігачеві доступні лише вхідні та вихідні величини, а внутрішня будова її та процеси, що в ній перебігають, невідомі.

<== предыдущая лекция | следующая лекция ==>
Визначення та еволюція нейронних мереж | Генетичні алгоритми
Поделиться с друзьями:


Дата добавления: 2014-01-04; Просмотров: 1464; Нарушение авторских прав?; Мы поможем в написании вашей работы!


Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет



studopedia.su - Студопедия (2013 - 2024) год. Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав! Последнее добавление




Генерация страницы за: 0.013 сек.