Введение. 1. Управление в реальном времени, в том числе:

Применения

1. Управление в реальном времени, в том числе:

· самолётами и ракетами^],

· технологическими процессами непрерывного производства (в энергетике, металлургии и др.),

· гибридным двигателем автомобиля,

· пневмоцилиндром,

· сварочным аппаратом,

· электропечью,

· турбогенератором.

2. Распознавание образов:

· изображений, человеческих лиц, букв и иероглифов, отпечатков пальцев в криминалистике, речи, сигналов радара и сонара,

· элементарных частиц и происходящих с ними физических процессов (эксперименты на ускорителях или наблюдение за космическими лучами),

· заболеваний по симптомам (в медицине),

· местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам),

· признаков опасности в системах безопасности,

· свойств химических соединений по структуре (в хемоинформатике)

3. Прогнозирование в реальном времени:

· погоды,

· курса акций (и других финансовых показателей),

· исхода лечения,

· политических событий (результатов выборов, международных отношений и др.),

· поведения противника (реального или потенциального) в военном конфликте и в экономической конкуренции,

· устойчивости супружеских отношений.

4. Оптимизация — поиск наилучших вариантов:

· при конструировании технических устройств,

· при выборе экономической стратегии,

· при подборе команды (от сотрудников предприятия до спортсменов и участников полярных экспедиций),

· при лечении больного.

5. Обработка сигналов при наличии больших шумов.

6. Протезирование («умные протезы») и усиление естественных функций^], в том числе — за счёт прямого подключения нервной системы человека к компьютерам (Нейро-компьютерный интерфейс).

7. Психодиагностика

8. Телекоммуникационное мошенничество, его обнаружение и предотвращение с помощью нейросетевых технологий — по мнению некоторых специалистов являются одной из самых перспективных технологий в области защиты информации в телекоммуникационных сетях.

9. Информационная безопасность

Архитектура биологической нейронной сети радикально отличается от традиционной на данном этапе развития технологий структуры предложенной фон Нейманом. Если машина фон Неймана предполагает существование единого вычислительного центра, управляемого потоком команд, то структура нейронной сети основывается на довольно большом наборе примитивных микропроцессоров, каждый из которых значительно менее универсален и гораздо слабее приспособлен к выполнению полного спектра задач. По сути, каждый из этих процессоров выполняет несколько простейших операций, и основную смысловую нагрузку в системе имеет даже не столько само устройство этих процессоров, сколько система связей между ними.

На первый взгляд, данная система выглядит гораздо менее удобной: в самом деле, огромное число связей между микропроцессорами делает всю систему менее интерпретируемой, более медлительной и, для некоторых задач, менее эффективной. Тем не менее, с научной и инженерной точки зрения данная модель видится более перспективной для решения некоторых классов задач, слабо поддающихся машине фон Неймана, как то:

• Распознавание и классификация образов. Задача состоит в том, чтобы, имея на руках изображение, звук или некоторый другой объект, поставить ему в соответствие максимально соответствующий объект из базы данных. Частными случаями данной задачи является распознавание символов, музыки, классификация сигнала кардиограммы, классификация клеток крови.
• Аппроксимации функций. Пусть у нас есть некоторая неизвестная функция, значения которой искажены рядом помех. Задача заключается в том, чтобы подобрать максимально похожую функцию и оценить ее поведение при некоторых контрольных параметрах. Данная задача представляет особый интерес в областях моделирования.
• Реализация ассоциативного поиска. Традиционно, машина фон Неймана могла искать информацию только по некоторому указателю, что порождало огромные проблемы, связанные с составлением каталогов по тем или иным ключевым словам. Нейронные сети, как считается, могут справиться с задачей поиску объекта по некоторому фрагменту содержания. Данная задача особенно актуальна для составления баз мультимедийных данных.
• Прогнозирование. Пусть задана некоторая дискретная (как правило, по некоторым моментам времени) выборка ситуаций. Нечеткая логика нейронных сетей имеет потенциал для того, чтобы выработать некоторую стратегию поведения, максимально подходящую для имеющейся выборки и имеющую все шансы для дальнейшего использования. Это является особенно актуальным для таких сфер человеческой жизни, как фондовый рынок и бизнес.
• Сжатие и восстановление данных. Нейронные сети гораздо лучше, чем машина фон Неймана подходят для поиска закономерностей в последовательностях байтов, а, значит, теоретически имеют больший потенциал в поиске алгоритмов сжатия информации, интерпретации архивов и восстановление из них полных файлов.

Если подвести итог, нейронные сети, при всей их медлительности в решении задач с четкой логикой, являются довольно перспективными при решении задач, завязанных на элемент случайности и случайные искажения входных данных.

Дата добавления: 2015-06-04