Часть 1. Искусственные нейронные сети в задачах системного анализа (1245270)
Текст из файла
ЧАСТЬ IИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ В ЗАДАЧАХСИСТЕМНОГО АНАЛИЗА2ГЛАВА 1ФУНКЦИОНАЛЬНЫЕ ОСОБЕННОСТИИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙСовременное состояние таких областей науки и техники, как теорияуправления, информатика, вычислительная математика и статистика, нейрофизиология, физика, технология производства микрочипов наряду с постоянно возрастающим уровнем сложности практических задач и ужесточением требований к качеству их решения обусловили появление концептуально новых технических средств – интеллектуальных систем [11]. Интеллектуальные системы на основе искусственных нейронных сетей (ИНС)позволяют с успехом решать проблемы идентификации и управления, прогнозирования, распознавания образов, оптимизации.
Известны и иные, более традиционные, подходы к решению этих проблем, однако они не обладают необходимой гибкостью и имеют существенные ограничения на среду функционирования. ИНС дают многообещающие альтернативные решения, и многие приложения выигрывают от их использования.Искусственные нейронные сети индуцированы биологией, так как онисостоят из элементов, функциональные возможности которых аналогичныбольшинству элементарных функций биологического нейрона. Эти элементы организуются по способу, который может в некоторой степени соответствовать анатомии мозга. Несмотря на достаточно поверхностноесходство, искусственные нейронные сети демонстрируют удивительноечисло свойств, присущих мозгу [6].3К ним относятся:• массовый параллелизм,• распределенное представление информации и вычисления,• способность к обучению и способность к обобщению,• адаптивность,• свойство контекстуальной обработки информации,• толерантность к ошибкам,• низкое энергопотребление.Несомненно, что технические средства, построенные на тех же принципах, что и биологические нейронные сети, обладают перечисленными характеристиками.
Аппаратная реализация ИНС – нейрокомпьютер – имеетсущественные отличия (как по структуре, так и по классу решаемых задач)от вычислительных машин, выполненных в соответствии с традиционнойархитектурой фон Неймана. Сравнительные характеристики нейрокомпьютеров и традиционных компьютеров приведены в табл. 1.Таблица 1Сравнительные оценки традиционных ЭВМи нейрокомпьютеровЭВМ традиционнойКатегорииархитектурысравнения (машина фон Нейма-Нейрокомпьютерна)Процессор Сложный.Простой.Высокоскоростной.Низкоскорост-Один или нескольконой.Большое количество4ПамятьОтделена от процес- Интегрирована всора.процессор.Локализована.Распределенная.Адресация не по со- Адресация по содержаниюдержаниюВычисле-Централизованные.Распределенные.нияПоследовательные.Параллельные.Хранимые программы СамообучениеНадеж-Высокая уязвимостьЖивучестьностьСпециализ Численныеисим- Проблемывос-ациявольные операцииприятияСредаСтрого определена.Без ограниченийфункцио-Строго ограниченанированияВне зависимости от способа реализации (аппаратной, микропроцессорной или в виде эмуляторов для обычных компьютеров), ИНС проявляютследующие свойства, необходимые для решения широкого круга технических задач:Обучение.
Искусственные нейронные сети могут измеменять свое поведение в зависимости от условий внешней среды, т.е. адаптироваться. Послепредъявления входных сигналов (возможно, с соответствующими выходами) нейронные сети самонастраиваются, чтобы обеспечить требуемуюреакцию.Обобщение. Реакция сети после обучения может быть до некоторой степени нечувствительна к небольшим изменениям входных сигналов.
Этаособенность выделять образ сквозь шум и искажения позволяет преодолетьтребования строгой точности, предъявляемые обычным компьютерам. Важно отметить, что нейронная сеть делает обобщения автоматически благода-5ря своей структуре, а не с помощью «человеческого интеллекта», представленного в форме специально написанных компьютерных программ.Абстрагирование. Нейронные сети обладают способностью извлекатьсущность из входных сигналов, т.е. оперировать с данными, которые невозникали в процессе обучения.Перечисленные свойства позволяют эффективно использовать ИНС прирешении следующих задач [6]:Аппроксимация функций / моделирование.
Имеется обучающая выборка ( ( x1, y1 ) , ( x2 , y2 ) ,..., ( xn , yn ) ) (пары данных вход-выход), которая генерируется неизвестной функциейy = f ( x) ,искаженной шумом. Задача аппрокси-мации состоит в нахождении оценки неизвестной функцииy = f ( x) .Ап-проксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.Идентификация / прогнозирование. Заданы n дискретных отсчетоввыходных сигналов системыщими входамиt1 , t 2 ,..., t n .y (t n + 1){ y (t1 ), y (t 2 ),..., y (t n )}{u(t1 ), u(t 2 ),..., u(t n )} )(возможно, с соответствую-в последовательные моменты времениЗадача состоит в построении модели, прогнозирующей значенияв момент времениtn +1 .Прогнозирующие модели могут быть ис-пользованы как в системах управления [1], так и в нетехнических приложениях, например, для анализа цен на фондовой бирже и прогнозированияпогоды.Управление.
Рассмотрим динамическую систему, заданную совокупностью{u(t ), y (t )} ,гдеu (t )является входным управляющим воздействием, ay (t )– выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействияu (t ) ,при котором система следует по желаемой траектории, диктуемойэталонной моделью.
В качестве модели выбирается нейронная сеть, а ди-6намический процесс ее настройки представляет собой решение задачиуправления [1, 10].Классификация образов. Задача состоит в указании принадлежностивходного образа (например, речевого сигнала или рукописного символа),представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание печатных и рукописных текстов, распознавание речи, классификация объектов по их изображениям и анализ сцен [16].Кластеризация / категоризация.
При решении задачи кластеризации,которая известна также как классификация образов «без учителя», отсутствует обучающая выборка с метками классов. Алгоритм кластеризацииоснован на выявлении подобия образов в силу выбранной метрики и размещении близких образов в один кластер. Кластеризация применяется дляизвлечения знаний, сжатия данных, моделирования сложных технологических процессов [23].Оптимизация. Многочисленные проблемы в математике, статистике,технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождениетакого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Задача коммивояжера, относящаяся к классу NP-полных, является классическим примером задачи оптимизации, успешно решаемой ИНС [32].Память, адресуемая по содержанию.
В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, которыйне зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совершенно иная информация.Ассоциативная память, или память, адресуемая по содержанию, доступнапо указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию. Ассоциа-7тивная память эффективно используется при создании мультимедийныхинформационных баз данных [37].1.1. ОСНОВНЫЕ ЭТАПЫ РАЗВИТИЯ ТЕОРИИИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙОсновополагающие работы по теории нейронных сетей появились нарубеже XIX и XX столетий. Среди них – труды Г.
Гельмгольца и И. Павлова, рассматривающие общую теорию обучения, анализа зрительныхпроцессов мозга и условно-рефлекторной деятельности. К сожалению, вэтих работах отсутствовали математические модели функционированиянейронных сетей.Современный этап развития теории ИНС начался после публикации в1943 г. работы У.С. Мак-Каллока и У. Питтса [66], посвященной логическому анализу нервной деятельности. В этой работе впервые представленаформализованная модель искусственного нейрона и разработана теорияИНС как конечных автоматов, способных реализовывать «психологические функции». В соответствии с концепцией У.С. Мак-Каллока и У. Питтса функциональные свойства моделей ИНС постулируются в качестве исходных, т.е. отсутствует такое полезное свойство, как обучение.Первым результативным методом построения ИНС считается алгоритмД.О.
Хебба [46], в основу которого положен механизм корреляции активности афферентного (входного) синапса (соединения) и эфферентного (выходного) нейрона.Теории Хэбба, Мак-Каллока – Питтса и накопленные со временем экспериментальные знания в области психологии и физиологии стали основойдля модели мозга, предложенной Ф. Розенблаттом и названной им перцептроном (от лат. perceptio – восприятие).
В работе [73] Розенблатт определяет перцептрон как «некоторое множество элементов (нейронов), генерирующих сигналы, связанных в единую сеть. Логические свойства такой се-8ти определяются топологической структурой, т.е. связями между нейронами; набором алгоритмов, управляющих генерацией и передачей сигналов;набором функций памяти, или преобразования свойств сети в результатеактивности.
Характеристики
Тип файла PDF
PDF-формат наиболее широко используется для просмотра любого типа файлов на любом устройстве. В него можно сохранить документ, таблицы, презентацию, текст, чертежи, вычисления, графики и всё остальное, что можно показать на экране любого устройства. Именно его лучше всего использовать для печати.
Например, если Вам нужно распечатать чертёж из автокада, Вы сохраните чертёж на флешку, но будет ли автокад в пункте печати? А если будет, то нужная версия с нужными библиотеками? Именно для этого и нужен формат PDF - в нём точно будет показано верно вне зависимости от того, в какой программе создали PDF-файл и есть ли нужная программа для его просмотра.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
