Персептрон Розенблстга оказался наивысшим достижением
нейромодельного метода создания искусственного интеллекта в
то время. Он реализовывал принцип отказо от программирова-
ния в пользу обучения, на котором построены все современные
нейросети.
Однако возможности персептрона были сильно ограничены:
машина не могла надежно распознавать частично закрытые бу-
квы, а также буквы иного размера или рисунка, нежели те, ко-
торые использовались на этапе ее обучения. В 1969 году вышла
критическая работа Марвина Минского, в которой математиче-
ски доказывалась ограниченность персептронов и принципиаль-
ная невозможность их использования для многих классов задач.
Так как успехи персептронов были весьма скромными, а тради-
ционные алгоритмы постоянно совершенствовались — возможным
становилось решение все более сложных задач, то эта область
науки утратила популярность на многие годы.
Постепенно интерес к нейронным сетям восстанавливался. Это
объясняется в основном появлением в разное время большого ко-
личества работ, в которых научно доказывается, что специальные
нейросетевые алгоритмы могут эффективно решать задачи, тра-
диционно считающиеся трудными для «традиционного» програм-
мирования. К тому же развитие вычислительной техники позволи-
ло моделировать работу сложных нейронных сетей с малыми за-
тратами. Это вызвало второй рум нейронных сетей, когда нейро-
алгоритмы считались панацеей и применялись всеми и везде.
В настоящее время ажиотаж вокруг нейронных сетей утих; оп-
ределились области, в которых целесообразно применение ней-
роалгоритмов; появились научные работы, позволяющие аргу-
ментировать применение нейросетей и точно вычислить некото-
рые их количественные характеристики.
Давайте рассмотрим классы задач, решаемых при помощи
искусственных нейронных сетей (ИНС), и примеры их использо-
вания.
Классификация образов. Задача состоит в указании принад-
лежности входного образа, представленного вектором призна-
ков, одному или нескольким предварительно определенным клас-
сам. К известным приложениям относятся распознавание букв,
распознавание речи, классификация сигнала электрокардиограм-
мы, классификация клеток крови.
Кластеризация/категоризация. При решении задачи класте-
ризации, которая известна так же, как классификация образов
учителя, отсутствует обучающая выборка с метками классов. Ал-
горитм кластеризации основан на подобии образов и размеща-
ет близкие образы в один кластер. Известны случаи применения
кластеризации для извлечения знаний, сжатия данных и исследо-
вания свойств данных.
Аппроксимация функций. Предположим, что имеется обучаю-
щая выборка ((XI, У1), (Х2, У2),.
.., (XN, YN)), которая генерирует-
ся неизвестной функцией, искаженной шумом. Задача аппрокси-
мации состоит в нахождении оценки этой функции.
Предсказание/прогноз. Пусть заданы N дискретных отсчетов
{(Y(tl), Y(t2), ,.
..Y(tN)} в последовательные моменты времени tl, t2.
Задача состоит в предсказании значения Y(tN+1) в момент tN +1.
Прогнозы имеют значительное влияние на принятие решений в
бизнесе, науке и технике.
Оптимизация. Многочисленные проблемы в математике, ста-
тистике, технике, науке, медицине и экономике могут рассматри-
ваться как проблемы оптимизации. Задачей оптимизации являет-
ся нахождение решения, которое удовлетворяет системе огра-
ничений и максимизирует или минимизирует целевую функцию.
Память, адресуемая по содержанию. В модели вычислений
фон Неймана обращение к памяти доступно только посредст-
вом адреса, который не зависит от содержания памяти. Более
того, если допущена ошибка в вычислении адреса, то может быть
найдена совершенно иная информация. Память, адресуемая по
содержанию, или ассоциативная память, доступна по указанию
заданного содержания. Содержимое памяти может быть вызва-
но даже по частичному или искаженному содержанию. Ассоциа-
тивная память чрезвычайно желательна при создании перспек-
тивных информационно-вычислительных систем.
Управление. Рассмотрим динамическую систему, заданную
совокупностью (u(t), y(t)), где u(t) является входным управляющим
воздействием, а y(t) — выходом системы в момент времени t. В
системах управления с эталонной моделью целью управления яв-
ляется расчет такого входного воздействия u(t), при котором сис-
тема следует по желаемой траектории, диктуемой эталонной мо-
делью.
,
Теперь давайте рассмотрим конкретные реализации решений
сложных задач, которые было предложено решить с использо-
ванием ИНС.
Распознавание букв. Отметим, что задачи классификации (ти-
па распознавания букв) очень плохо алгоритмизируются. Если в
случае распознавания печатных букв верный ответ очевиден за-
ранее, то в более сложных практических задачах распознава-
ния рукописных букв обученная нейронная сеть выступает как
эксперт, обладающий большим опытом и способный дать ответ
на трудный вопрос.
Еще в далеком 1995 году сообщалось, что украинские уче-
ные изготовили устройство по распознаванию фальшивых купюр,
построенное на основе ИНС. Было предложено использование
сети из 12 нейронов, которая давала вероятность правильного
распознавания 99.4 %, что совсем неплохо для такой задачи.
Дальнейших материалов по данной проблеме не было.
Примером еще одной задачи служит медицинская диагности-
ка, где сеть может учитывать большое количество числовых пара-
метров (энцефалограмма, давление, вес). Конечно, «мнение» сети
в этом случае нельзя считать окончательным. Но важность реше-
ния данной задачи трудно переоценить. Попробуйте классифици-
ровать заболевание ребенка, если у него всегда температура и
он всегда плачет. Пример утрирован, но очень показателен.
Классификация предприятий по степени их перспективности —
это уже привычный способ применения нейронных сетей в прак-
тике западных компаний. При этом сеть тоже использует множе-
ство экономических показателей, сложным, образом связанных
между собой. На основании результатов работы такой обучен-
ной сети также возможна реализация анализа кредитных рисков
и других коммерческих вопросов. Для себя можно создать сеть,
которая будет предсказывать курсы валют © — узнал, и сразу на
Forex, деньги проигрывать ©. Хотя и такие системы используются.
Наиболее интересная задача по распознаванию состояний
объекта была описана в статье о выявлении факта возможности
возгорания на угольных складах и терриконах. Решили ее в Ук-
раине и даже получили гос. премию.
Есть примеры реализации с помощью ИНС систем управле-
ния прокатными станами — задача не тривиальная, но, как ока-
залось, решаемая.
л
В Украине под руководством Н.М. Амосова в начале 90-х бы-
ла построена роботизированная транспортная платформа. В
ней все элементы принятия решения, распознавания, ориенти-
рования и управления были реализованы с использованием ИНС.
Точнее, их особого класса — ИНС ансамблевой архитектуры.
Робот ездил, «жил». Жаль только, неизвестно, что с ним стало.
И в конце о военных. Они предлагают использовать ИНС для
решения задач распознавания воздушных объектов по их радио-
локационным портретам.
А вот американские ученые предложили использование в сис-
теме управления ракет класса «воздух — земля» блоков приня-
тия решения на основе ИНС. При этом проведенные экспери-
менты показали надежность данной системы управления поле-
том ракеты, достаточную устойчивость работы системы управле-
ния полетом, возможность применения такой системы для раз-
личных полетов летательных аппаратов.
На том и сказочке конец.
Зачем рассказал?
Хочу, чтобы читатель понял, что в мире есть много удивитель-
ных вещей, о которых нужно узнать, которые нужно принять во
внимание, с которыми нужно познакомиться лично.
Ну разве вам не интересно будет показать преподавателю,
гак поведет себя курс доллара через 3 дня? Или вместо двадца-
ти листов расчета управляющего воздействия на объект пока-
зать структуру ИНС и те значения, которые были посчитаны за
несколько минут?
Литература
1. Нейрокомпьютеры и интеллектуальные роботы./ Под ред
Н.М. Амосова.- К: Наукова думка, 1991г. — 272с.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети.
Теория и практика- М: Горячая линия-Телеком, 2001. — 382с.
3. Куссуль Э.М. Ассоциативные нейроподобные структуры. —
К: Наукова думка, 1992. — 144с.
(Продолжение следует)
МОЙ КОМПЬЮТЕР
предыдущая страница 36 Мой Компьютер 2005 03 читать онлайн следующая страница 38 Мой Компьютер 2005 03 читать онлайн Домой Выключить/включить текст