Нейронні мережі та їх використаня

Міністерство  освіти та науки України

Київська  гуманітарна  академія

 

Кафедра інформаційних  систем

в економіці

 

 

 

 

Дисципліна  “Електронна комерція”

 

 

 

 

 

Реферат

на тему: «Нейронні  мережі та їх використаня»

 

 

Підготувала:

студентка V курсу

заочного факультету

Спеціальності менеджер ЗЕД

Групи № 17-606

 

 

 

 

 

 

 

Київ -2012

 

У наш час інформатика стрімко  змінюється. Розвивається все: можливості комп'ютерів ростуть, нові програмні  продукти відкривають цілий світ раніше недоступних інтелектуальних  послуг, змінюються стилі програмування - об'єктний підхід, візуальне програмування і т.д.

Нейроінформатика - один з нових напрямів розвитку. Це область  науки і інтелектуальної практики, що переживає період експоненціального  зростання: росте число дослідників, публікацій, журналів і лабораторій, вкладень і винаходів.

Суть усіх підходів нейроінформатики: розробка методів створення (синтезу) нейронних мереж. Штучний нейрон при цьому виглядає як дуже простий  пристрій: ніби підсилювач з великим  числом входів і одним виходом. Відмінність між підходами і методами полягає в деталях уявлень про роботу нейрона, і, звичайно, в уявленнях про роботу зв'язків. Власне, пристроями нейроінформатики є зв'язні системи. На відміну від цифрових мікропроцесорних систем, що є складними комбінаціями процесорних блоків, що запам'ятовують, нейропроцесори містять пам'ять, розподілену в зв'язках між дуже простими процесорами. Тим самим основне навантаження на виконання конкретних функцій процесорами лягає на архітектуру системи, деталі якої у свою чергу визначаються міжнейронними зв'язками.

Штучними нейронними мережами є пристрої, що використовують величезне число елементарних умовних  рефлексів, названих за іменем канадського  фізіолога синапсами Хебба. Такий  синапс, як основу можливих механізмів пам'яті і поведінки, Д. Хебб описав теоретично в 1949 році, тобто в перші роки після народження кібернетики.

Зараз штучні нейронні мережі застосовуються для вирішення дуже багатьох завдань обробки зображень, управління роботами і безперервними  виробництвами, для розуміння і синтезу мови, для діагностики захворювань людей і технічних неполадок в машинах і приладах, для прогнозу курсів валют і результатів скачок. Та частина робіт, яка пов'язана з розробкою пристроїв переробки інформації на основі принципів роботи природних нейронних систем відноситься до області нейроінформатики або нейрообчислень (нейрокомп'ютинга).

Інша частина створення  і використання нейромереж стосується нескінченої кількості зв'язків, що пов'язують окремі нейрони. Групування у мозку людини відбувається так, що інформація обробляється динамічним, інтерактивним та самоорганізуючим шляхом. Біологічні нейронні мережі створені у тривимірному просторі з мікроскопічних компонент і здатні до різноманітних з'єднань. Але для створеної людиною мережі існують фізичні обмеження. Існуючі на даний час нейромережі є групуванням штучних нейронів. Це групування обумовлено створенням з'єднаних між собою шарів.

Хоча існують мережі, які містять лише один шар, або  навіть один елемент, більшість застосувань  вимагають мережі, які містять як мінімум три нормальних типи шарів - вхідний, прихований та вихідний. Шар вхідних нейронів отримує дані або з вхідних файлів, або безпосередньо з електронних віддавачів. Вихідний шар пересилає інформацію безпосередньо до зовнішнього середовища, до вторинного комп'ютерного процесу, або до інших пристроїв. Між цими двома шарами може бути багато прихованих шарів, які містять багато нейронів у різноманітних зв'язаних структурах. Входи та виходи кожного з прихованих нейронів просто йдуть до інших нейронів.

Напрямок зв'язку від  одного нейрону до іншого є важливим аспектом нейромереж. У більшості  мереж кожен нейрон прихованого  шару отримує сигнали від всіх нейронів попереднього шару та звичайно від нейронів вхідного шару. Після  виконання операцій над сигналами, нейрон передає свій вихід до всіх нейронів наступних шарів, забезпечуючи шлях передачі вперед (feedforward) на вихід.

При зворотному зв'язку, вихід нейронів шару скеровується до нейронів попереднього шару. Шлях, яким нейрони з'єднуються між собою має значний вплив на роботу мережі. Більшість пакетів професіональної розробки програмного забезпечення дозволяють користувачу додавати, вилучати та керувати з'єднаннями нейронів як завгодно.

Таким чином, нейроінформатика - це один з нових напрямків розвитку інформатики. Сутністю всіх підходів нейроінформатики є створення штучних нейронних мереж, які у наш час мають дуже широке застосування. Штучними нейронними мережами є пристрої, що використовують величезне число елементарних умовних рефлексів, названих за іменем канадського фізіолога синапсами Хебба. Існуючі на даний час нейромережі є групуванням штучних нейронів. Це групування обумовлено створенням з'єднаних між собою шарів.

Нейромережі не можна  вважати доцільним рішенням для  всіх обчислювальних проблем. Традиційні комп'ютери та обчислювальні методи є ідеальними для багатьох застосувань. Сучасні цифрові обчислювальні машини перевершують людину по здатності робити числові й символьні обчислення. Однак людина може без зусиль вирішувати складні задачі сприйняття зовнішніх даних (наприклад, впізнавання людини в юрбі по його обличчю) з такою швидкістю і точністю, що наймогутніший у світі комп'ютер у порівнянні з ним здається безнадійним тугодумом. У чому причина настільки значного розходження в їхній продуктивності?

 

Машина фон Неймана у порівнянні з біологічної нейроною системою

 

**	Машина фон Неймана	Біологічна нейрона  система
Процесор	Складний   Високошвидкісний   Один чи декілька	Простий  Низькошвидкісний   Велика кількість
Пам'ять	Відділена від процесора  Локалізована   Адресація за адресою	Інтегрована в процесор  Розподілена   Адресація по змісту
Обчислення	Централізовані   Послідовні  Збережені програми	Розподілені  Паралельні   Самонавчання
Надійність	Висока вразливість	Живучість
Спеціалізація	Числові й символьні операції	Проблеми сприйняття
Середовище функціонування	Строго визначене   Строго обмежене	Погано визначене   Без обмежень
Функції	Логічно,  через правила,   концепції, обчислення	Через зображення,  рисунки, керування
Метод навчання	За правилами (дидактично)	За прикладами (сократично)
Застосування	Числова та символьна  обробка інформації	Розпізнавання мови,  розпізнавання образів,  розпізнавання текстів

 

 Представимо деякі  проблеми, розв'язувані в контексті  нейромоделювання, які представляють  інтерес для вчених і інженерів.

Класифікація образів. Завдання полягає у визначенні приналежності  вхідного образа (наприклад, мовного  сигналу чи рукописного символу), представленого вектором ознак, одному чи декільком попередньо визначеним класам. До відомих застосувань відносяться розпізнавання букв, розпізнавання мови, класифікація сигналу електрокардіограми, класифікація кліток крові.

Кластеризація/категоризація. При рішенні задачі кластеризації, що відома також як класифікація образів "без вчителя", навчальна множина з визначеними класами відсутня. Алгоритм кластеризації заснований на подобі образів і розміщує близькі образи в один кластер. Відомі випадки застосування кластеризації для видобутку знань, стиснення даних і дослідження властивостей даних.

Апроксимація функцій. Припустимо, що є навчальна вибірка ((x1,y1), (x2,y2)..., (xn,yn)) (пари даних вхід-вихід), яка генерується невідомою функцією F, спотвореної шумом. Завдання апроксимації полягає в знаходженні невідомої  функції F. Апроксимація функцій необхідна при рішенні численних інженерних і наукових задач моделювання.

Передбачення/прогноз. Нехай  задані n дискретних відліків {y(t1), y(t2), ..., y(tn)} у послідовні моменти часу t1, t2,..., tn . Завдання полягає в передбаченні значення y(tn+1) у деякий майбутній момент часу tn+1. Передбачення/прогноз мають значний вплив на прийняття рішень у бізнесі, науці й техніці (передбачення цін на фондовій біржі, прогноз погоди).

Оптимізація. Численні проблеми в математиці, статистиці, техніці, науці, медицині й економіці можуть розглядатися як проблеми оптимізації. Задачею алгоритму оптимізації є знаходження такого рішення, що задовольняє системі обмежень і максимізує чи мінімізує цільову функцію.

Пам'ять, що адресується  за змістом. В традиційних комп'ютерах звертання до пам'яті доступно тільки за допомогою адреси, що не залежить від змісту пам'яті. Більш того, якщо допущена помилка в обчисленні адреси, то може бути знайдена зовсім інша інформація. Асоціативна пам'ять, чи пам'ять, що адресується за змістом, доступна за вказівкою заданого змісту. Вміст пам'яті може бути викликано навіть по частковому входу чи спотвореному змісту. Асоціативна пам'ять надзвичайно бажана при створенні мультимедійних інформаційних баз даних.

Керування. Розглянемо динамічну  систему, задану сукупністю {u(t), y(t)}, де u(t) є вхідним керуючим впливом, а y(t) - виходом системи в момент часу t. В системах керування з еталонною моделлю метою керування є розрахунок такого вхідного впливу u(t), при якому система діє по бажаній траєкторії, заданою еталонною моделлю. Прикладом є оптимальне керування двигуном.

Але, незважаючи на переваги нейронних мереж в часткових  галузях над традиційними обчисленнями, існуючі нейромережі є не досконалими  рішеннями. Вони навчаються і можуть робити "помилки". Окрім того, не можна гарантувати, що розроблена мережа є оптимальною мережею. Застосування нейромереж вимагає від розробника виконання ряду умов.

Ці умови включають:

 множину даних, що включає  інформацію, яка може характеризувати  проблему;

відповідно встановлену за розміром множину даних для навчання й тестування мережі;

розуміння базової природи проблеми, яка буде вирішена;

вибір функції суматора, передатної функції та методів навчання;

розуміння інструментальних засобів  розробника;

відповідна потужність обробки.

Новий шлях обчислень вимагає вмінь  розробника поза межами традиційних  обчислень. Спочатку, обчислення були лише апаратними й інженери робили його працюючим. Потім, були спеціалісти  з програмного забезпечення: програмісти, системні інженери, спеціалісти по базах даних та проектувальники. Тепер є нейронні архітектори. Новий професіонал повинен мати кваліфікацію, відмінну від його попередників. Наприклад, він повинен знати статистику для вибору і оцінювання навчальних і тестувальних множин. Логічне мислення сучасних інженерів програмного забезпечення, їх емпіричне вміння та інтуїтивне відчуття гарантує створення ефективних нейромереж.