Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
ИНС индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы организуются по способу, который может в некоторой степени соответствовать анатомии мозга. Несмотря на достаточно поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу.
К 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.
Аппаратной реализацией ИНС является нейрокомпьютер, имеющий существенные отличия (как по структуре, так и по классу решаемых задач) от вычислительных машин, выполненных в соответствии с традиционной структурой фон Неймана. Сравнительные характеристики нейрокомпьютеров и традиционных компьютеров приведены в таблице 1.
Таблица 1
Сравнительные оценки традиционных ЭВМ и нейрокомпьютеров | |||
Категории сравнения | ЭВМ традиционной архитектуры (машина фон Неймана) | Нейрокомпьютер | |
Процессор | Сложный. Высокоскоростной. Один или несколько. | Простой. Низкоскоростной. Большое количество | |
Память | Отделена от процессора. Локализована. Адресация не по содержанию. | Интегрирована в процессор. Распределенная. Адресация по содержанию. | |
Вычисления | Централизованные. Последовательные. Хранимые программы. | Распределенные. Параллельные. Самообучение. | |
Надежность | Высокая уязвимость. | Живучесть. | |
Специализация | Численные и символьные операции. | Проблемы восприятия | |
Среда функционирования | Строго определена. Строго ограничена. | Без ограничений | |
Вне зависимости от способа реализации (аппаратной,
микропроцессорной или в виде эмуляторов для обычных компьютеров), ИНС проявляют следующие свойства, необходимые для решения широкого круга технических задач:
Обучение. Искусственные нейронные сети могут изменять свое поведение в зависимости от условий внешней среды, т.е. адаптироваться. После предъявления входных сигналов (возможно, с соответствующими выходами) нейронные сети самонастраиваются, чтобы обеспечить требуемую реакцию.
Обобщение. Реакция сети после обучения может быть до некоторой степени нечувствительна к небольшим изменениям входных сигналов. Эта особенность выделять образ сквозь шум и искажения позволяет преодолеть требования строгой точности, предъявляемые обычным компьютерам. Важно отметить, что нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью «человеческого интеллекта», представленного в форме специально написанных компьютерных программ.
Абстрагирование. Нейронные сети обладают способностью извлекать сущность из входных сигналов, т.е. оперировать с данными, которые не возникали в процессе обучения.
Перечисленные свойства позволяют эффективно использовать ИНС при решении следующих задач:
Аппроксимация функций / моделирование. Имеется обучающая выборка ((x1, y1),(x2, y2),…,(хn, уn)) (пары данных вход-выход), которая генерируется неизвестной функцией у =f(x), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции у = f(x). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.
Идентификация / прогнозирование. Заданы п дискретных отчетов выходных сигналов системы (y(t1), y(t2),...,y(tn)} (возможно, с соответствующими входами {u(t1),u(t2),…,u(tn)} в последовательные моменты
времени t1, t2,…,tn. Задача состоит в построении модели, прогнозирующей значения y(tn +1) в момент времени tn+l. Прогнозирующие модели могут быть использованы как в системах управления, так и в нетехнических приложениях, например, для анализа цен на фондовой бирже и прогнозирования погоды.
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, диктуемой эталонной моделью. В качестве модели выбирается нейронная сеть, а динамический процесс ее настройки представляет собой решение задачи управления.
Классификация образов. Задача состоит в указании принадлежности входного 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.
Кластеризация / категоризация. При решении задачи кластеризации, которая известна также как классификация образов «без учителя», отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на выявлении подобия образов в силу выбранной метрики и размещении близких образов в один кластер. Кластеризация применяется для извлечения знаний, сжатия данных, моделирования сложных технологических процессов.
Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождения такого решения, которое удовлетворяет системе ограничений и максимизирует или
минимизирует целевую функцию. Задача коммивояжера, относящихся к
классу NP – полных, является классическим примером задачи оптимизации, успешно решаемой ИНС
Дата публикования: 2014-11-02; Прочитано: 606 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!