Введение в искусственные нейронные сети

Глава 4. Нейросетевые системы

 

Искусственные нейронные сети (ИНС) являются отдельной областью ИИ, которая показала очень хорошие результаты при решении задач прогнозирования, самоадаптации, распознавания образов.

ИНС строятся по принципам организации и функционирования их биологических аналогов. Они способны решать широкий круг задач в тех областях, где имеется большая обучающая выборка.

Человеческий мозг – самая сложная в мире структу­ра. Способность мозга к обучению, запомина­нию сложной информации и логическому мышлению с давних пор привлекает к нему философов, нейробиологов, психологов и кибер­нетиков.

Рассмотрим некоторые проблемы, решаемые с помощью ИНС.

Классификация образов. Задача состоит в указании принад­лежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание текста, речи, классификация сигнала электрокардиограммы, клеток крови и т.д.

Кластеризация. При решении данной задачи, которая известна также как классификация образов без учителя, отсутствуют метки классов. Алгоритм кластеризации основан на подобии образов и группирует близкие образы в один кластер. Кластеризацию применяют для формирования знаний, сжатия данных и т.д.

Аппроксимация функций. Пусть имеется обу­чающая выборка ((x1, у1), (х2, у2),..., (xn, уn)), которая генерируется неизвестной функцией, искаженной шумом. Задача аппроксимации состоит в нахождении оценки этой функции.

Прогнозирование. Пусть заданы N дискретных отсчетов y(t1),…,у(tn) в последовательные моменты времени t1, t2,..., tn. Задача состоит в предсказании значения y(t_n+1) в момент t_n+1. Прогнозирование имеет значительное влияние на принятие решений в биз­несе, науке и технике.

Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассмат­риваться как проблемы оптимизации. Задачей оптимизации явля­ется нахождение решения, которое удовлетворяет системе огра­ничений и максимизирует или минимизирует целевую функцию.

Реализация памяти, адресуемой по содержанию. В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть най­дена совершенно иная информация. Память, адресуемая по со­держанию, или ассоциативная память, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному или искаженному содержанию. Ассоциативная память чрезвычайно желательна при создании перспективных информационно-вычислительных систем.

Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) является входным управляющим воздействием, a y(t) - выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории.

Каким образом нейронная сеть решает все эти задачи? Как извест­но, для решения таких задач традиционно применяются два ос­новных подхода. Первый, основанный на правилах (rule-based), характерен для экспертных систем. Он базируется на описании предметной области в виде набора правил «если... то...» и правил вывода. При этом подходе необходимо заранее знать весь набор закономерностей, описывающих предметную область. При использовании другого подхода, основанного на примерах (case-based), надо лишь иметь достаточное количество примеров для настройки адаптивной системы с заданной степенью достоверности. Нейронные сети представляют собой классический пример такого подхода.

Под нейронными сетями понимают вычислительные структуры, которые моделируют простые биологические процессы, ассоциируемые с человеческим мозгом. Они представляют собой распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон, названный так по аналогии с биологическим прототипом.

Искусственные нейронные сети моделирует процессы, происходящие в реальных нейронных сетях человека. Рассмотрим структуру биологических нейронов и биологических нейронных сетей.