Применение нейронных сетей

Нейрокомпьютеры (компьютеры на основе нейронных сетей) обладают целым рядом свойств, привлекательных с точки зрения их практического использования:

Сверхвысокое быстродействие за счет использования массового параллелизма обработки информации.

Толерантность (терпимость) к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов.

Способность к обучению; программирование вычислительной системы заменяется обучением.

Способность к распознаванию образов в условиях сильных помех и искажений.

Однако, первые 2 свойства имеют место только при аппаратной реализации нейронных сетей. Аппаратно реализованные нейронные сети обеспечивают решение сложных задач за времена порядка времен срабатывания цепочек электронных и/или оптических элементов. Решение слабо зависит от неисправности отдельного нейрона. Это делает их привлекательными для использования в составе бортовых вычислительных систем.

В настоящее время нейронные сети применяются для решения многих неформализуемых или трудно формализуемых задач:

· распознавания и синтеза речи;

· распознавания аэрокосмических изображений;

· прогнозирования котировки ценных бумаг и курса валют;

· предупреждения мошенничества с кредитными карточками;

· оценки стоимости недвижимости;

· оценки финансового состояния предприятий и риска невозврата кредитов;

· обработки радиолокационных сигналов;

· контроля движения на скоростных автомагистралях и железных дорогах;

· диагностики в медицине;

добычи знаний из больших объемов данных в бизнесе, финансах и научных исследованиях.

· При применении нейронных сетей необходимо решить следующие задачи:

· Постановка задачи, пригодной для решения с помощью нейронной сети.

· Выбор модели ИНС.

· Подготовка исходных данных для обучения ИНС.

· Обучение ИНС.

· Собственно решение задачи с помощью обученной ИНС

· Кроме того, иногда нужен еще один этап - интерпретация решения, полученного нейронной сетью.

Наиболее трудоемкими процессами при использовании нейронных сетей являются подготовка исходных данных для обучения и обучение нейронной сети.

Глава 2. Обучение нейронных сетей

По организации обучения разделяют обучение нейронных сетей с учителем (supervised neural networks) и без учителя (nonsupervised). При обучении с учителем предполагается, что есть внешняя среда, которая предоставляет обучающие примеры (значения входов и соответствующие им значения выходов) на этапе обучения или оценивает правильность функционирования нейронной сети и в соответствии со своими критериями меняет состояние нейронной сети или поощряет (наказывает) нейронную сеть, запуская тем самым механизм изменения ее состояния. Под состоянием нейронной сети, которое может изменяться, обычно понимается:

веса синапсов нейронов (карта весов - map) (коннекционистский подход);

веса синапсов и пороги нейронов (обычно в этом случае порог является более легко изменяемым параметром, чем веса синапсов);

установление новых связей между нейронами (свойство биологических нейронов устанавливать новые связи и ликвидировать старые называется пластичностью).

По способу обучения разделяют обучение по входам и по выходам. При обучении по входам обучающий пример представляет собой только вектор входных сигналов, а при обучении по выходам в него входит и вектор выходных сигналов, соответствующий входному вектору.

По способу предъявления примеров различают предъявление одиночных примеров и "страницы" примеров. В первом случае изменение состояния нейронной сети (обучение) происходит после предъявления каждого примера. Во втором - после предъявления "страницы" (множества) примеров на основе анализа сразу их всех.

По особенностям модели нейрона различают нейроны с разными нелинейными функциями:

-пороговой;

-экспоненциальной сигмоидой;

-рациональной сигмоидой;

-гиперболическим тангенсом.

Перечисленные функции относятся к однопараметрическим. Также используются многопараметрические передаточные функции.

Дата добавления: 2015-06-04