Генетические алгоритмы. Наличие больших объемов входной информации

Наличие больших объемов входной информации.

Отсутствие алгоритма или формального решения при наличии большого числа примеров решения.

Недостатком сети является ограниченность самой метрики Хэмминга. Область применения ограничивается возможностью использования только бинарных сигналов. Достоинством сети является простота. Емкость сети точно равна количеству нейронов скрытого и выходного слоев и не зависит от размерности входа.

4.1.7. Решение задач при помощи нейронных сетей

Задачи предсказания

Задачи предсказания являются задачами построения регрессионной зависимости выходных данных от входных. Эффективность использования НС в таких задачах высока. Как правило, пользователя интересует не построение самой зависимости, как таковой, а получение обученного предсказателя. Как правило, результаты работы предсказателя оценивает оператор. Однако возможно использование обученной НС в устройстве управления технической системой.

Задачи классификации

Обучение нейронной сети в этом случае состоит в формировании в ней образов разделяющих поверхностей в пространстве состояний. При функционировании такой сети она по совокупности признаков объекта сигнализирует о принадлежности его к определенному классу. Наиболее прост и распространен бинарный классификатор, который делит признаковое пространство на два подпространство и формирует бинарный сигнал, указывающий, в которое из них попадает объект.

При большем числе классов требуется использование интерпретатора ответа сети, который будет по совокупности выходных сигналов НС определять, к какому классу принадлежит объект. Наиболее распространен интерпретатор "победитель забирает все". Число выходных сигналов НС в этом случае равно числу классов, а номер выбранного класса равен номеру максимального выходного сигнала.

Признаки задач, в которых применение НС оправдано:

3. Наличие некачественных данных: неполных, избыточных, зашумленных, противоречивых.

Базируются на теоретических достижениях синтетической теории эволюции:

- Механизмы наследования признаков и изменчивости у живых организмов

- Гипотеза селекции: чем выше приспособленность особи, тем выше вероятность того, что в потомстве признаки, определяющие приспособленность будут выражены еще сильнее.

- Суть ГА: признаки, в пространстве которых ведется отбор кодируются каким-либо числовым кодом (обычно кодом Грея) – модель генетической информации в природе. Формируется популяция особей кодированием генетической информации случайным образом. С вероятностью, пропорциональной приспособленности особи, она может стать родителем. Генетическая информация потомков получается из родительской с помощью генетических операторов: кроссовер, инверсия, мутация. Наименее приспособленные особи выкидываются.

Свойства ГА:

-Адаптация популяций искусственных объектов

-Способность к глобальной оптимизации

Примеры СИИ, использующие ГА:

-Система INDUCE (индуктивного вывода)

-Система BEAGLE

Дата добавления: 2014-01-20