Нейросетевые задачи и способы их решения
Канунников Дмитрий Сергеевич,
Алюшин Владимир
Николаевич,
аспиранты кафедры
математического анализа Курского государственного университета.
Искусственные нейронные сети (ИНС) [2] —
математические модели, а также их программные или аппаратные реализации,
построенные по принципу организации и функционирования биологических нейронных
сетей — сетей нервных клеток живого организма. Это понятие возникло при
изучении процессов, протекающих в мозге
при мышлении, и при попытке смоделировать эти процессы. Впоследствии эти
модели стали использовать в практических целях. В общем, задачи, которые могут
быть решены с помощью нейросетей, можно разделить так:
·
Распознавание образов и
классификация [1]. В качестве образов могут выступать различные по
своей природе объекты: символы текста, изображения, образцы звуков и т. д. При
обучении сети предлагаются различные образцы образов с указанием того, к какому
классу они относятся. Образец, как правило, представляется как вектор значений
признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. По
окончании обучения сети ей можно предъявлять неизвестные ранее образы и
получать ответ о принадлежности к определённому классу. Для решения может
применяться когнитрон, вероятностная нейронная сеть, неокогнитрон.
·
Принятие решений и управление. Эта задача близка к
задаче классификации. Классификации подлежат ситуации, характеристики которых
поступают на вход нейронной сети. На выходе сети при этом должен появиться
признак решения, которое она приняла. При этом в качестве входных сигналов
используются различные критерии описания состояния управляемой системы. Здесь
можно применить когнитрон, сеть Джордана, сеть Элмана.
·
Кластеризация. Под кластеризацией понимается разбиение
множества входных сигналов на классы, при том, что ни
количество, ни признаки классов заранее неизвестны. После обучения такая сеть
способна определять, к какому классу относится входной сигнал. Сеть также может
сигнализировать о том, что входной сигнал не относится ни к одному из
выделенных классов — это является признаком новых, отсутствующих в обучающей
выборке, данных. Кластеризацию осуществляют нейронные сети Кохонена.
·
Прогнозирование и аппроксимация. Способности нейронной
сети к прогнозированию напрямую следуют из её способности к обобщению и
выделению скрытых зависимостей между входными и выходными данными. После
обучения сеть способна предсказать будущее значение некой последовательности на
основе нескольких предыдущих. Здесь применима, например, сеть Ворда.
·
Сжатие данных и ассоциативная память. Способность
нейросетей к выявлению взаимосвязей между различными параметрами дает
возможность выразить данные большой размерности более компактно. Обратный
процесс — восстановление исходного набора данных из части информации —
называется (авто)ассоциативной памятью. Здесь подойдёт
сеть Хопфилда.
Нейросети решают широкий круг задач, часто применимы там, где обычные
аналитические методы бессильны. Есть как аппаратные реализации нейронных сетей,
так и программные (например, пакет
NeuroOffice).
Литература
1.
Ф. Уоссермен. Нейрокомпьютерная техника:
Теория и практика, 1992.
2.
С. Хайкин. Нейронные
сети:
полный курс = Neural Networks: A Comprehensive Foundation. — М.: «Вильямс», 2006.
Поступила
в редакцию 25.05.2009 г.