Технологии искусственного интеллекта: нейросети

Нейросетевые технологии в отличие от экспертных систем предназначены для воспроизводства неосознанных мыслительных усилий человека (например, человек плохо знает, как он распознает цвет предмета). Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных средств, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю.

Известны следующие сферы применения нейросетей:

1). Экономика и бизнес – предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют.

2). Медицина – обработка медицинских изображений, диагностика.

3). Интернет – ассоциативный поиск информации.

4). Автоматизация производства – оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийных ситуаций.

5). Политические технологии – обобщение социологических опросов.

6). Безопасность и охранные системы – системы идентификации личности, распознавание автомобильных номеров и аэрокосмических снимков.

7). Геологоразведка – анализ сейсмических данных, оценка ресурсов месторождений.

Нейросеть состоит из нейронов, распределяемых по слоям.

Один нейрон работает следующим образом: на его вход поступает набор входных сигналов, нейрон суммирует входные сигналы и генерирует выходной, который направляется либо в другие нейроны, либо на выход сети.

Связь между нейронами характеризуется интенсивностью (силой возбуждения), называемой также синаптическим весом. Представить их можно в виде синаптической матрицы, элементы которой указывают на силу возбуждения связей между нейронами.

Применение нейросетей предполагает выполнение следующих этапов:

1). Постановка задачи – формирование целей применения нейросети (например, прогнозирование курса ценных бумаг).

2). Обучение нейросети – подготовка обучающих примеров, которые представляют собой уже известные результаты решения задачи без нейросети, и предъявление их последней.

3). Эксплуатация сети – сети предъявляется некоторая ситуация, которая либо распознается, либо нет.

Обучение нейронных сетей представляет собой процесс изменения синаптических весов, отражающих силу возбуждения связей между нейронами.

Процесс обучения сети производится следующим образом.

Предполагается, что некоторая величина Y зависит отряда характеристик X1, X2, …Xn. Необходимо обучить нейросеть опознавать некоторое значение Y при определенных значениях характеристик X1, X2, …Xn. Готовится набор обучающих примеров, которые состоят из наборов исходных векторов X1, X2, …Xn и соответствующих им выходных значений Y. Эти примеры подаются на вход сети. Вначале на вход подается первая строка. Нейросеть формирует начальную зависимость между Y1 и X11 … X1n. На основании этой зависимости вычисляется текущее значение Y1, которое сравнивается с эталонным значением. Если разница превышает допустимый уровень, то алгоритм обучения изменяет синаптические веса, после чего эта строка вновь подается на вход сети для обучения до тех пор, пока результат не будет удовлетворительным. Затем подается следующая строка. Процесс повторяется до тех пор, пока суммарная ошибка в реакции сети на все строки не станет меньше заданной.

Таким образом, преимущество нейросетей заключается в том, что они:

1). Способны обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами.

2). Могут обучаться по неполной, противоречивой и искаженной информации.

3). Для использования не требуют профессионалов-математиков.

4). Не требуют выполнения условия отсутствия взаимосвязи между входными факторами.

Дата добавления: 2014-01-04