neironne_seti_i_neirokompjuter (Учебник - Нейронные сети и нейрокомпьютеры (Круг П.Г.)), страница 2
Описание файла
Файл "neironne_seti_i_neirokompjuter" внутри архива находится в папке "Учебник - Нейронные сети и нейрокомпьютеры (Круг П.Г.)". PDF-файл из архива "Учебник - Нейронные сети и нейрокомпьютеры (Круг П.Г.)", который расположен в категории "". Всё это находится в предмете "нейронные вычислительные сети" из 7 семестр, которые можно найти в файловом архиве РТУ МИРЭА. Не смотря на прямую связь этого архива с РТУ МИРЭА, его также можно найти и в других разделах. Архив можно найти в разделе "книги и методические указания", в предмете "нейронные вычислительные сети" в общих файлах.
Просмотр PDF-файла онлайн
Текст 2 страницы из PDF
Штутгарт, ФРГ)7PDF created with pdfFactory trial version www.pdffactory.comВВЕДЕНИЕВ качестве введения кратко рассмотрим историю создания и развитияискусственных нейронных сетей.Впервые о них заговорили в 1940-х годах. Считается, что теориянейронных сетей, как научное направление, была обозначена в классическойработе Мак Каллока и Питтса в 1943 г., в которой утверждалось, что, впринципе, любую арифметическую или логическую функцию можнореализовать с помощью простой нейронной сети.Среди основополагающих работ следует выделить модель Д.
Хэбба,который в 1949 г. предложил закон обучения, явившийся стартовой точкойдля алгоритмов обучения искусственных нейронных сетей, а также теоремыМ. Минского и исследования им ряда типовых задач, в том числе,популярной задачи «Исключающего «ИЛИ» [6].В 1958 г. Ф. Розенблатт предложил нейронную сеть, названнуюперсептроном [7], и построил первый нейрокомпьютер «Марк-1».Персептрон был предназначен для классификации объектов и получал наэтапе обучения от «учителя» сообщение, к какому классу принадлежитпредъявляемыйобъект.Обученныйперсептронбылспособенклассифицировать объекты, в том числе, не использовавшиеся приобучении, делая при этом очень мало ошибок.Затем, после разработок 1950-х и 1960-гг. наступил период затишья,длившийся с 1968 по 1985 гг.В 1985-1986 гг. теория нейронных сетей получила «технологическийимпульс», который был вызван возможностью моделирования нейронныхсетей на появившихся в то время доступных и высокопроизводительныхперсональных компьютерах [3].Настольной книгой специалиста, моделирующего и применяющегонейронные сети, стала работа Ф.
Уоссермена «Нейрокомпьютерная техника»(издана на русском языке в 1992 г.) [8].В настоящее время, по оценкам специалистов, ожидаетсязначительный технологический рост в области проектирования нейронныхсетей и нейрокомпьютеров. За последние годы уже открыто немало новыхвозможностей нейронных сетей, а работы в данной области становятсяважным вкладом в промышленность, науку и технологии, имеют большоеэкономическое значение [9].Однако все попытки понять и моделировать объективные процессыобработки информации мозгом человека пока особого успеха не имели.Несмотря на то, что разработки по нейронному моделированию ведутсянейробиологами уже более 50 лет, нет ни одной области мозга, где процессобработки информации был бы ясен до конца.
Также ни для одного нейронав мозге пока невозможно определить код, который он использует дляпередачи информации в виде последовательности импульсов.8PDF created with pdfFactory trial version www.pdffactory.comГрядущий взрывной рост в области нейрокомпьютерных технологийпо всей вероятности будет связан с новыми открытиями в областинейронного моделирования – как только мы разгадаем тайнуфункционирования хотя бы одной области мозга, так сразу, по-видимому,получим представление о работе многих других его областей.Предполагается, что открытие биологических основ обработкиинформации вызовет существенную активизацию работ в построенииискусственного мозга и инициацию беспрецедентного по своему размахунаучного и технологического проекта.
По сравнению с ним глобальныепроекты прошлого и настоящего, такие как исследование космоса, открытияядерной физики, молекулярная биология и генная инженерия покажутсявесьма скромными. Ожидается, что новый проект будет способен достаточнобыстро дать значительный экономический эффект и, наконец-то, появитсявозможность синтезировать «умные» машины и системы, способные вместолюдей выполнять монотонные, скучные и опасные задания [8, 9].Справедливости ради отметим, что для достижения этих целей, такжеважно развитие и ряда других областей информатики, микроэлектроники иискусственного интеллекта.9PDF created with pdfFactory trial version www.pdffactory.com1.
ОСНОВНЫЕ НАПРАВЛЕНИЯ ПРИМЕНЕНИЯНЕЙРОННЫХ СЕТЕЙ И НЕЙРОКОМПЬЮТЕРОВ1.1. Типовые решаемые задачиПотенциальными областями применения искусственных нейронныхсетей являются те, где человеческий интеллект малоэффективен, атрадиционные вычисления трудоемки или физически неадекватны (т.е. неотражают или плохо отражают реальные физические процессы и объекты).Действительно, актуальность применения нейронных сетеймногократно возрастает тогда, когда появляется необходимостьрешения плохо формализованных задач.АппроксимацияфункцийКодирование идекодированиеКлассификацияПрогнозированиеНейроннаясетьПринятиерешенийПредсказаниеУправлениеДругиезадачиРис. 1.1. Типовые задачи, решаемые с помощьюнейронных сетей и нейрокомпьютеров10PDF created with pdfFactory trial version www.pdffactory.comТаблица 1.1.
Основные области применения нейронных сетейПромышленностьУправление технологическимипроцессамиОценка экологическойобстановкиОптимальное планированиеИдентификация видаполимеровОбнаружение поврежденийПриложения аналитическойхимииИдентификация химическихкомпонентПрогнозирование свойствсинтезируемых полимеровРазработка нефти и газаУправление ценами ипроизводствомОптимизация закупок сырьяАнализ проблем функционированиязаводов и магазиновВысокие технологииПроектирование иоптимизация сетей связиАнализ и сжатие изображенийРаспознавание печатныхи рукописных символовФальсификации в пищевой ипарфюмерной пром-стиОбслуживание кредитных картОборонаИдентификация иверификация говорящегоВидеонаблюдениеАвтоматизированное распознаваниеречевых командРаспознавание слитной речи с(и без) настройки на говорящегоРечевой ввод текста в компьютерНаука и техникаПоиск неисправностейв научных приборахДиагностика печатных платИдентификация продуктовСинтез новых видов стеклаАвтоматизированноепроектированиеОптимизация биологическихэкспериментовГеофизические и сейсмологические исследованияРаспознавание ингредиентовКонтроль качестваартезианских водУправление воднымиресурсамиУправление работой прессаОптимизация работымоторовКонтроль качества изделийПрогнозированиепотребления энергииАнализ визуальнойаэрокосмической информацииОтбор целейОбнаружение наркотиков ивзрывчатых веществСличение изображенийс криминальной базой данныхПредсказание целесообразности условного освобожден.ЗдравоохранениеСпектральный анализ иинтерпретация спектровИнтерпретация показаний сенсоровМоделирование физических системАнализ данных в ботаникеПланирование химическихэкспериментовОтбор сенсоров для контроляхимических процессовПрогноз температурного режиматехнологических процессовДиагностика сбоев сигнализацииИдентификация микробови бактерийДиагностика заболеванийИнтерпретация ЭКГАнализ качества лекарствОбработка и анализмедицинских тестовПрогнозирование результатовприменения методов леченияОптимизация атлетическойподготовкиДиагностика слухаБизнес и финансыВыбор сбытовой политикиПринятие административныхрешенийПредсказания на фондовойбиржеАнализ финансового рынкаИсследование фактора спросаМоделированиебизнес-стратегииПредсказание наступленияфинансовых кризисовПрогноз прибыли (Cash-flow)Предсказание и расшивка«узких мест»Прогноз эффективностикредитованияПрогнозирование валютного курсаПрогнозирование и анализ ценПостроение макро- имикроэкономических моделейПредсказание необходимыхтрудодней для реализации проекта11PDF created with pdfFactory trial version www.pdffactory.comПрогнозирование продажАнализ целей маркетинговойполитикиПрогнозированиеэкономических индикаторовАнализ страховых исковОтбор перспективных кадровСтратегии в областиюриспруденцииОценка и прогнозированиестоимости недвижимостиНейронные сети продемонстрировали свою способность решатьсложные задачи.
Они имеют уникальные потенциальные возможности, хотяне свободны от ограничений и вопросов, на которые до сих пор несуществует ответа. Такая ситуация настраивает на умеренный оптимизм [8].Типовые задачи, решаемые с помощью нейронных сетей инейрокомпьютеров следующие (рис. 1.1):§ автоматизация процесса классификации;§ автоматизация прогнозирования;§ автоматизация процесса предсказания;§ автоматизация процесса принятия решений;§ управление;§ кодирование и декодирование информации;§ аппроксимация зависимостей и др.1.2. Обзор областей примененияПримеры применения нейронных сетей и нейрокомпьютеровпредставлены в табл. 1.1.
Безусловно, данный перечень не полон, однако онпозволяет получить представление о характере востребованностинейросетевых и нейрокомпьютерных технологий.В качестве иллюстрации успешного применения нейронных сетейрассмотрим следующие примеры [14].1.2.1.Проектирование и оптимизация сетей связиС помощью нейронных сетей успешно решается важная задача вобласти телекоммуникаций – нахождение оптимального пути трафика междуузлами. Учитываются две особенности: во-первых, решение должно бытьадаптивным, т.
е. учитывать текущее состояние сети связи и наличиесбойных участков, а во-вторых, оптимальное решение необходимо находитьв реальном времени.Кроме управления маршрутизацией потоков, нейронные сетииспользуются для получения эффективных решений в областипроектирования новых телекоммуникационных сетей.1.2.2.Распознавание речиРаспознавание речи – одна из наиболее популярных областейприменений нейронных сетей.Демонстрационная система для дикторо-независимого речевогоуправления встроенным калькулятором Windows (Российская компанияНейропроект) способна распознавать 36 команд, сказанных в стандартныймикрофон.
Для классификации слов используется двухкаскаднаяиерархическая нейронная сеть, где первый каскад состоит из одного12PDF created with pdfFactory trial version www.pdffactory.comперсептрона (1000 входов, 24 нейрона в скрытом слое, 6 выходов), а второйкаскад – из 6 персептронов с различными параметрами слоев.При этом первый персептрон осуществляет грубое распознаваниеслова, относя его к одному из 6 классов; роль второго каскада – точноклассифицировать команду внутри класса.
Для построения даннойнейронной сети используется библиотека NeuroWindows, а такжеспециальный алгоритм иерархического обучения. В обучении сетипринимали участие 19 дикторов.1.2.3.Управление ценами и производствомЧасто недооцениваются потери от неоптимального планированияпроизводства.В связи с тем, что спрос и условия реализации продукции зависят отвремени, сезона, курсов валют и многих других факторов, то и объемпроизводства должен гибко варьироваться с целью оптимальногоиспользования ресурсов.Нейросетеваясистема(компанияNeuralInnovationLtd.),предназначенная для планирования затрат при издании газет, обнаруживаетсложные зависимости между затратами на рекламу, объемами продаж,ценой, ценами конкурентов, днем недели, сезоном и т.д. В результатеиспользования системы осуществляется выбор оптимальной стратегиииздательства с точки зрения максимизации объема продаж или прибыли.1.2.4.Анализ потребительского рынкаОдин из популярных маркетинговых механизмов – распространениекупонов, дающих право покупки определенного товара со скидкой.