Использование нейронных систем в «интеллектуальных информационных технологиях» при поддержке принятия управленческих решений

Административное обслуживание:

• автоматическое считывание документов;

• автоматическое распознавание штриховых кодов.

Нефтяная и химическая промышленность:

• анализ геологической информации;

• идентификация неисправностей оборудования;

• разведка залежей минералов по данным аэрофотосъемок;

• анализ составов примесей;

• управление процессами.

Военная промышленность и аэронавтика:

• обработка звуковых сигналов (разделение, идентификация, локализация, устранение шума, интерпретация);

• обработка радарных сигналов (распознавание  целей, идентификация и локализация  источников);

• обработка инфракрасных сигналов (локализация);

• обобщение информации;

• автоматическое пилотирование.

Промышленное производство:

• управление манипуляторами;

• управление качеством;

• управление процессами;

• обнаружение неисправностей;

• адаптивная робототехника;

• управление голосом.

Служба безопасности:

• распознавание лиц, голосов, отпечатков пальцев.

Медицина:

• выявление и идентификация  раковых клеток;

• диагностирование и предсказание вероятности возникновения заболеваний;

• обнаружение отклонений в ЭКГ;

• анализ рентгенограмм.

Телевидение и связь:

• адаптивное управление сетью связи;

• сжатие и восстановление изображения.

Представленный перечень далеко не полон.

Разумеется, вовсе нелюбую задачу можно решить с помощью нейронной  сети. Если вы хотите определить результаты лотереи, тираж которой состоится через неделю, зная свой размер обуви, то едва ли это получится, поскольку эти показатели никак не связанны друг с другом. На самом деле, если тираж проводится честно, то не существует такой информации, на основании которой можно было бы предсказать результат.

Из выше сказанного можно сделать  два основных условия, когда можно  применять нейронные сети:

1. Должна быть определенная известная информация для обучения нейронной сети.

2. Необходима связь между известными входными и неизвестными выходными значениями. Эта связь может быть искажена шумом, но она должна существовать.

Нейронная сеть используется тогда, когда  неизвестен точный вид связей между  входами и выходами, и она находит  эту зависимость в процессе обучения.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

3.ОСОБЕННОСТИ ПРИМЕНЕНИЯ  НЕЙРОННЫХ СЕТЕЙ

 

3.1 Как работает нейронная сеть

 

Прототипом для создания этих элементов  послужил биологический нейрон. В  основу искусственных нейронных  сетей положены следующие черты  биологических нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами:

• простой обрабатывающий элемент - нейрон;

• очень большое число нейронов участвует в обработке информации;

• один нейрон связан с большим  числом других нейронов (глобальные связи);

• изменяющиеся по весу связи между нейронами;

• массированная параллельность обработки  информации.

Упрощенно, можно считать, что нейрон устроен и действует следующим  образом. Биологический нейрон имеет  тело, совокупность отростков - дендритов, по которым в нейрон поступают сигналы, и отросток - аксон, передающий выходные сигналы другим нейронам. Точка соединения дендрита и аксона называется синапсом. Синапс выполняет функции весового коэффициента, усиливая или ослабляя входной сигнал. Нейрон получает от дендритов набор входных сигналов. В теле нейрона значения входных сигналов суммируется. Однако, влияние входов не равнозначно, а определяется весовыми коэффициентами, которые характеризуют важность поступающей по данному входу информации. В искусственном нейроне вычисляется скалярное произведение вектора входных сигналов и вектора весовых коэффициентов. Затем нейрон формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Выходной сигнал поступает на аксон, а через него передается дендритам других нейронов.

 

3.2 Формирование нейронной сети

 

Для решения разных практических задач  требуются различные модели нейронных  сетей. Модель нейронной сети определяется моделями нейронов и структурой связей сети.

В зависимости от структуры связей можно выделить несколько групп нейронных сетей:

- Многослойные нейронные сети.

Нейроны в таких сетях делятся  на группы с общим входным сигналом - слоем.

- Полносвязные нейронные сети. Каждый нейрон в полносвязных  сетях связан со всеми остальными. На каждом такте функционирования сети на входы нейронов подается вешний входной сигнал и выходы нейронов предыдущего такта.

- Нейронные сети с локальными  связями. Нейроны в таких сетях  располагаются в узлах прямоугольной  решетки. Каждый нейрон связан  с небольшим числом

(4 или 8) своих топологических  соседей.

- Неструктурированные нейронные  сети. К этой группе относятся  все модели нейронных сетей,  которые нельзя отнести ни  к одной из предыдущих групп.

Модели нейронов, которые используются в нейронных сетях, чрезвычайно разнообразны. В простейшем случае нейрон состоит из умножителей (синапсов), сумматора и нелинейного преобразователя. Нейрон выполняет скалярную функцию векторного аргумента - взвешенное суммирование компонент вектора входного сигнала и нелинейное преобразование результата суммирования. Такой нейрон называется нейроном первого порядка. Нейроны более высоких порядков осуществляют перемножение двумерных матриц и многомерных тензоров.

В моделях нейронов используется множество  различных вариантов нелинейных преобразователей Функция, реализуемая нелинейным преобразователем, называется функцией активации или передаточной функцией нейрона. Наиболее часто используются сигмоидальные, кусочно-линейные и жесткие пороговые функции активации.

Если в сети все нейроны имеют одинаковые функции активации, то сеть называется однородной (гомогенной). В неоднородных (гетерогенных) сетях нейроны имеют различные функции активации.

Для построения нейронной сети, ориентированной  на решение конкретной задачи, используются процедуры формирования (или создания) нейронных сетей. Эти процедуры обеспечивают ввод указанных характеристик моделей нейронов и структур нейронных сетей. Как правило, в каждой отдельной программе реализована лишь часть из описанных моделей нейронов и нейронных сетей.

Каждая группа моделей нейронных  сетей может быть использована для  решения лишь некоторого ограниченного  класса практических задач. Так многослойные и полно связные нейронные  сети с сигмоидальными передаточными  функциями используются для  распознавания образов и адаптивного управления; нейронные сети с локальными связями - для обработки изображений и некоторых других частных задач. Для решения задач линейной алгебры используются многослойные сети с особыми передаточными функциями.

 

3.3 Обучение нейронной сети

 

Для того чтобы нейронная сеть приобрела  способность решать конкретную задачу, то есть на каждый входной сигнал выдавать необходимый выходной сигнал, необходимо провести настройку параметров сети. Настройка производится по обучающей  выборке, которая состоит из пар (<вход>, <желаемый выход>) - обучающих примеров.

В зависимости от решаемой задачи в обучающей выборке используются те или иные типы данных и различные  размерности входных/выходных сигналов. Входные данные примеров обучающей  выборки - изображения, таблицы чисел, распределения. Типы входных данных - бинарные (0 и 1), биполярные (-1 и 1) числа, целые или действительные числа из некоторого диапазона. Выходные сигналы сети - вектора целых или действительных чисел. Для решения практических задач часто требуются обучающие выборки большого объема. Из-за жестко ограниченного объема оперативной памяти компьютера разместить в ней большие обучающие выборки невозможно. Поэтому выборка делится на страницы - группы примеров. В каждый момент времени лишь одна страница примеров располагается в памяти компьютера, остальные - на жестком диске. Страницы последовательно загружаются в память компьютера. Обучение сети происходит по всей совокупности страниц , по всей обучающей выборке.

В настоящее время отсутствует универсальная методика построения обучающих выборок. Набор обучающих примеров формируется по усмотрению пользователя программы моделирования нейронных сетей индивидуально для каждой конкретной решаемой задачи.

Если в необученную нейронную  сеть ввести входной сигнал одного из примеров обучающей выборки, то выходной сигнал сети будет существенно отличаться от желаемого выходного сигнала, определенного в обучающей выборке. Функция ошибки численно определяет сходство всех текущих выходных сигналов сети и соответствующих желаемых выходных сигналов обучающей выборки. Наиболее распространенной функцией ошибки является среднеквадратичное отклонение. Однако предложены и другие функции ошибки.

Цель обучения - минимизировать функцию  ошибки, то есть найти такие значения параметров сети, при которых текущие выходные сигналы сети минимально отличаются от соответствующих желаемых выходных сигналов, заданных обучающей выборкой.

Для обучения нейронных сетей могут  быть использованы различные алгоритмы. Можно выделить две большие группы алгоритмов - градиентные и стохастические. Градиентные алгоритмы обучения сетей основаны на вычислении частных производных функции ошибки по параметрам сети. Среди градиентных различают алгоритмы первого и второго порядков. В стохастических алгоритмах поиск минимума функции ошибки ведется случайным образом.

При обучении сетей, как правило, используется один из двух следующих критериев  останова: останов при достижении некоторого малого значения функции  ошибки или останов в случае успешного решения всех примеров обучающей выборки.

Перед обучением выполняется инициализация  нейронной сети, то есть присваивание параметрам сети некоторых начальных  значений. Как правило, эти начальные  значения - некоторые малые случайные  числа.

Для формирования обучающих выборок, инициализации и обучения в программах моделирования нейронных сетей используются специальные процедуры. Возможность использования многостраничного обучения является очень важной при решении практических задач с помощью нейронных сетей, моделируемых на обычных компьютерах.

Обучение - это итерационная процедура, которая при реализации на обычных  компьютерах, требует значительного  времени. Алгоритмы обучения существенно  различаются по скорости сходимости. Одной из самых важных характеристик программ для моделирования нейронных сетей является скорость сходимости алгоритма (или алгоритмов) обучения, которые реализованы в программе.

 

3.4 Имитация функционирования (тестирование) обученной нейронной сети

 

Для проверки навыков, приобретенных  сетью в процессе обучения, используется имитация функционирования сети. В сеть вводится некоторый сигнал, который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети. Тестирование обученной сети может проводиться на одиночных входных сигналах, либо на контрольной выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар (<вход>, <желаемый выход>). Как правило, обучающая и контрольная выборки не пересекаются. Контрольная выборка строится пользователем индивидуально для каждой решаемой задачи.

Для имитации функционирования в подавляющем  большинстве программ моделирования  нейронных сетей реализованы  специальные процедуры.

 

ЗАКЛЮЧЕНИЕ

 

Все чаше появляются научные работы, посвященных нейросетевым моделям, которые порождают все больше интересных, эффективных технологий для решения задач управления, планирования, распознавания образов и принятия решений. В этом разнообразии мы выделили лишь то направление, которое непосредственно связано с принципами человеческого интеллекта, с ассоциативным мышлением. Фактически это -- построение таблиц, фиксирующих опыт и реализующих принцип «если -- то», «посылка -- следствие». Важным достоинством этих таблиц является то, что они позволяют наглядно воспроизводить функции многих переменных, не совместимых по типам и по физической природе. Эти функции не имеют формального математического описания и потому отображают трудно формализуемые задачи. Автоматическая интерполяция опыта является неотъемлемым свойством нейронной сети. Она позволяет делать вывод «на что больше всего это похоже и что следует предпринять», а также производить необходимое усреднение.