Искусственная нейронная сеть
Материал из Википедии — свободной энциклопедии
Искусcтвенная нейро́нная се́ть — это математическая модель, а также устройства параллельных вычислений, представляющие собой систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов).
Такие процессоры обычно исключительно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах.
Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
Понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями (ИНС).
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами.
Разработчикам решения на основе нейронной сети требуется:
- выбрать соответствующую модель сети;
- определить топологию сети (число элементов и их связи);
- указать параметры обучения.
Наиболее известным типом ИНС является персептрон. Доказано, что при нелинейной функции в нейроне могут быть подобраны коэффициенты связей так, что сеть может моделировать любую функцию. Для персептрона общепринятым является обучение методом обратного распространения ошибки. ИНС применяют при следующих классах задач: классификация данных, распознавание образов, предсказание временных рядов. Абсолютно точный ответ с помощью ИНС получить невозможно — например, бессмысленно решать таблицу умножения. Но есть задачи, нерешаемые другим путем. При решении таких задач самым важным является подбор данных и их подготовка.
Содержание |
[править] Области применения
- Распознавание символов текста и других объектов
- Распознавание речи
- Управление движением транспортного средства и т. д.
- Классификация ситуаций
- Краткосрочный прогноз
- Принятие решений
[править] Поколения нейросетей
- Первое
- Второе
- Третье
- Четвертое
[править] Отличия от машин с архитектурой фон Неймана
Длительный период эволюции придал мозгу человека много качеств, которые отсутствуют в машинах с архитектурой фон Неймана:
- массовый параллелизм,
- распределенное представление информации и вычисления,
- способность к обучению и обобщению,
- адаптивность,
- свойство контекстуальной обработки информации,
- толерантность к ошибкам,
- низкое энергопотребление.
[править] Пример
Входные данные — курс акций за год. Задача — определить завтрашний курс. Проводится следующее преобразование — выстраивается ряд курс за сегодня, вчера, за позавчера, за позапозавчера. Следующий ряд — смещается по дате на один день и так далее. На полученном наборе обучается сеть с 3 входами и одним выходом — то есть выход курс на дату, входы курс на дату минус 1 день, минус 2 дня, минус 3 дня. Обученной сети подаем на вход курс за сегодня, вчера, позавчера и получаем ответ на завтра. Нетрудно заметить, что в этом случае сеть просто выведет зависимость одного параметра от трех предыдущих. Если желательно учитывать ещё какой-то параметр (например, общий индекс по отрасли), то его надо добавить как вход (и включить в примеры), переобучить сеть и получить новые результаты. Для наиболее точного обучения стоит использовать метод ОРО, как наиболее предсказуемый и несложный в реализации.
[править] Развитие
В последние десятилетия активно развиваются приложения на базе искусственных нейронных сетей. Среди таких приложений можно отметить следующие задачи: классификация образов, кластеризация/категоризация, аппроксимация функций, предсказание/прогноз, оптимизация, память, адресуемая по содержимому, управление. Эти и подобные задачи успешно решаются средствами пакета Neural Networks, который входит в состав расширенных версий системы MATLAB.
Для решения задачи следует выбрать следующее:
- тип используемых нейронов (число входов, передаточные функции);
- архитектуру сети;
- входные и выходные параметры.
На втором этапе производится обучение созданной нейронной сети. После этого производится количественный анализ полученной модели искусственной нейронной сети. Нами использовалась модель нейронной сети, основанная на радиальном базисном нейроне. При ее «обучении» использовалась встроенная функция пакета Neural Networks системы MATLAB — newrb.
Результаты моделирования на наборах экспериментальных данных показали пригодность использования радиальных базисных нейронных сетей для аппроксимации функциональных зависимостей, в том числе и нелинейных. Можно отметить высокую скорость обучения и возможность применения результатов в реальных приложениях.
[править] Ссылки
[править] Литература
- Саймон Хайкин, «Нейронные сети: полный курс», 2-е изд.: Пер. с англ. — М. : Издательский дом «Вильямс», 2006. — 1104 стр. с ил.
- Роберт Каллан, «Основные концепции нейронных сетей» : Пер. с англ. — М. : Издательский дом «Вильямс», 2001. — 288 стр. с ил.
