Сучасні информаціонні технології/ 1. Комп’ютерна інженерія

Благодирь К.А.

Національний технічний університет України „Київський політехнічний інститут“, Україна

Використання нейронних мереж в вирішенні задач проблем розпізнавання образів,оптимізації,виконання прогнозів

Нейронні мережі успішно застосовуються в самих різних областях - бізнесі, медицині, техніці, геології, фізиці. Нейронні мережі увійшли до практики скрізь, де потрібно вирішувати завдання прогнозування, класифікації або управління. Такий вражаючий успіх визначається декількома причинами:

- багаті можливості: нейронні мережі - виключно потужний метод моделювання, що дозволяє відтворювати надзвичайно складні залежності;

- простота у використанні.

Штучні нейронні мережі — системи, архітектура і принцип дії яких базується на аналогії з мозком живих істот. Ключовим елементом цих систем виступає штучний нейрон як імітаційна модель нервової клітини мозку — біологічного нейрона.

Мал.1. Представлення штучної нейронної мережі

Формальні нейрони можуть об'єднуватися в мережі різним чином. Найпоширенішим виглядом мережі став багатошаровий перцептрон (мал.2) [1].

Мал.2. Багатошаровий перцетрон

Мережа складається з довільної кількості шарів нейронів. Нейрони кожного шару з'єднуються з нейронами попереднього і подальшого шарів за принципом "кожен з кожним". Перший шар (зліва) називається сенсорним або вхідним, внутрішні шари називаються прихованими або ассоціативними, останній (найправіший, на малюнку складається з одного нейрона), — вихідним або результативним. Кількість нейронів в шарах може бути довільною. Зазвичай у всіх прихованих шарах однакова кількість нейронів.

Багатошаровий перцептрон може розраховувати вихідний вектор для будь-якого вхідного вектора x, тобто давати значення деякої векторної функції = f (x) . Отже, умова будь-який задачі, яка може бути поставлена перцептрону, має бути безліччю векторів {x1 xs } з NI компонентамі кожен:

Рішенням задачі буде безліч векторів {y1ys }, кожен вектор ys з NO компонентамі; ys = f (xs ), де s =1..S — номер пред'явленого образу. Все, що здатний зробити перцептрон — це сформувати відображення X→Y для будь-яких x, які належать X . Дане відображення ми не можемо "витягувати" повністю з перцептрона, а можемо лише порахувати відображення довільної кількості крапок:тут безліч векторів x1...xS — формалізована умова завдання, а безліч y1ys — формалізоване рішення. Завдання формалізації, тобто вибору сенсу, яким наділяються компоненти вхідного і вихідного векторів, поки вирішується лише людиною на основі практичного досвіду. Жорстких рецептів формалізації для нейронних мереж доки не створено[1].

Клас завдань, які можна вирішити за допомогою нейронної мережі, визначається тим, як мережа працює і тим, як вона виучується. При роботі нейронна мережа набуває значень вхідних змінних і видає значення вихідних змінних. Таким чином, мережу можна застосовувати за ситуації, коли у Вас є певна відома інформація, і Ви хочете з неї отримати деяку доки не відому інформацію. Ось деякі приклади таких завдань:

1) Прогнозування на фондовому ринку. Знаючи ціни акцій за останній тиждень і сьогоднішнє значення індексу FTSE, спрогнозувати завтрашню ціну акцій.

2) Надання кредиту. Потрібно визначити, чи високий ризик надання кредиту приватній особі, що поводиться з таким проханням. В результаті розмови з ним відомий його дохід, попередня кредитна історія і так далі.

3) Управління. Потрібно визначити що повинен робити робот (обернутися направо або наліво, рухатися вперед і так далі), щоб досягти мети; відоме зображення, яке передає встановлена на роботові відеокамера [2].

Штучні нейронні мережі запропоновані для задач, що тягнуться від управління боєм до нагляду за дитиною. Потенційними застосуваннями є ті, де людський інтелект малоефективний, а звичайні обчислення трудомісткі або неадекватні. Цей клас застосувань принаймні не менше класу, що робиться звичайними обчисленнями, і можна вважати, що штучні нейронні мережі займуть своє місце нарівні із звичайними обчисленнями як доповнення такого ж об'єму і важливості [3].

Штучні нейронні мережі є важливим розширенням поняття обчислення. Вони обіцяють створення автоматів, що виконують функції, що були раніше винятковою прерогативою людини. Машини можуть виконувати скучні, монотонні і небезпечні завдання, і з розвитком технології виникнуть абсолютно нові застосування[4].

Теорія штучних нейронних мереж розвивається стрімко, але в цей час вона недостатня, щоб бути опорою для найбільш оптимістичних проектів. У ретроспективі видно, що теорія розвивалася швидше, ніж передбачали песимісти, але повільніше, ніж сподівалися оптимісти, типова ситуація. Сьогоднішній вибух інтересу залучив до нейронних мереж тисячі дослідників. Резонно чекати швидкого зростання нашого розуміння штучних нейронних мереж, ведучого до більш довершених мережевих парадигм і множини прикладних можливостей.

Література:

1. И. Заенцев «Нейронные сети: основные модели» - Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры

2. Нейронні мережі

http://www.statsoft.ru/home/textbook/modules/stneunet.html

3. Штучні нейронні мережі http://www.victoria.lviv.ua/html/wosserman/vstup.htm

4. В.В. Круглов, М.И. Дли, Р.Ю. Голунов «Нечеткая логика и искусственные нейронные сети.»