ИД "Мой компьютер"   "Игроград"   "Реальность фантастики"   Ассамблея "Портал"
Сделать стартовой   

 
Домашняя страница
Расширенный поиск
E-mail

 

N 16 (447)




МОЙ КОМПЬЮТЕР




  Новости:

 
МК
Украина
Игры
Интернет
Железо
Софт
Пресс-релизы

  Статьи:

 
Уголок читателя
Прочее
Имеющий уши
Программирование
Интернет
Железо
Софт
Игры


 
КОНКУРСЫ



Правила конкурсов

Конкурс "АВЧ"

Рейтинг победителей


ОПРОС

Вы посещаете нас:
первый раз
1-2 раза в месяц
1-2 раза в неделю
1-2 раза в день
более 2-х раз в день Что привело Вас к нам?
поиск информации
интерес к статьям
интерес к новостям
любопытство
реклама
другое








?????????? ?????????????-??????? ??????


www.geodata.org.ua















Argumentum ad ignorantiam!

 

статьи
Прочее



 

На правах рекламы  
Прочее  
Репортаж  
Юмор  




    Прочее


Нервные сети

Максим ПАВЛЕНКО
N 3 (330) 17.01.2005


Мы c вами, уважаемые читатели, постепенно привыкаем, что все компьютерные задачи и проблемы решаются быстро и легко. Но есть и достаточно сложные вопросы, задумываться о которых полезно. Особенно если они не до конца решены. Ведь не исключено, что отвечать на них в будущем придется именно вам.
Данная статья предназначена тем, кто хочет познакомиться с таким явлением, как искусственные нейронные сети.

На моем первом уроке астрономии в школе учитель сказал: «Астрономию можно изучать двумя способами. Первый — это просто слушать сказки и интересные истории о ней, наподобие тех, что рассказывают в планетарии. А второй способ — это изучать ее как науку. Сейчас я вам расскажу сказку…» Закончился урок тем, что на летучке мы высчитали линейные размеры Солнца по наблюдаемым, с условием того, что известно расстояние до Солнца.

Давайте, я вам расскажу сказку :-).

Все началось с того, что однажды неугомонные ученые нашли мозг у человека. И так им заинтересовались, что стали его рассматривать все детальнее и детальнее, пока не обнаружили самую маленькую клеточку мозга — нейрон. А потом узнали, что к этой клеточке ведут ма-аленькие ниточки других подобных клеток. И сделали научный вывод, что…

Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Процессы передачи раздражения от кожи, ушей и глаз к мозгу, процессы мышления и управления взаимодействием между мозгом и исполнительными механизмами человека и животных — все это реализовано в живом организме как передача электрических импульсов между нейронами.

Давайте рассмотрим структуру и функции биологического нейрона.

Нейрон (нервная клетка) является особой биологической клеткой, которая обрабатывает информацию ( рис. 1).

Рис. 1.

Он состоит из тела (cell body) или сомы (soma), отростков нервных волокон — дендритов (dendrites), по которым принимаются импульсы, и единственного аксона (axon), по которому нейрон может давать импульс. Тело нейрона включает ядро (nucleus), которое содержит информацию о наследственных свойствах, и плазму, обладающую молекулярными средствами для производства необходимых нейрону материалов. Нейрон получает сигналы (импульсы) от аксонов других нейронов через дендриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль своего аксона (передатчика), который в конце разветвляется на волокна. На окончаниях этих волокон находятся специальные образования — синапсы, которые влияют на величину импульсов.

Синапс является элементарной структурой и функциональным узлом между двумя нейронами. Когда импульс достигает синаптического окончания, высвобождаются химические вещества, называемые нейротрансмиттерами. Нейротрансмиттеры диффундируют через щели, возбуждая или затормаживая нейрон в зависимости от типа синапса, что сказывается на способности нейрона-приемника генерировать электрические импульсы.

Сопротивление передаче электрического импульса синапсом может настраиваться проходящими через него сигналами так, что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют.

Поэтому, если Вы много думаете, то Ваш мозг и через много лет будет как новенький, а вовсе не станет усыхать и уменьшаться в объеме после 25 лет, как это ранее считалось :-).

Эта зависимость от предыстории, возможно, ответственна за память человека. Важно отметить, что вес синапсов может изменяться со временем, а значит, меняется и поведение соответствующих нейронов.

Кора головного мозга человека содержит около 106 нейронов и представляет собой протяженную поверхность толщиной от 2 до 3 мм с площадью около 2200 см2. Каждый нейрон связан с 103–104 другими нейронами. В целом мозг человека содержит приблизительно от 1010 до 1015 взаимосвязей.

Нейроны взаимодействуют короткими сериями импульсов, продолжительность которых, как правило, составляет несколько миллисекунд. Сообщение передается посредством частотно-импульсной модуляции. Частота может изменяться от нескольких единиц до сотен герц, что в миллион раз медленнее, чем быстродействующие переключательные электронные схемы. Тем не менее, сложные задачи распознавания человек решает за несколько сотен миллисекунд. Решения контролируются сетью нейронов, которые имеют скорость выполнения операций всего несколько миллисекунд. Это означает, что вычисления требуют не более 100 последовательных стадий. Другими словами, для таких сложных задач мозг «запускает» параллельные программы, содержащие порядка 100 шагов. Рассуждая аналогичным образом, можно обнаружить, что количество информации, посылаемое от одного нейрона другому, должно быть очень малым (несколько бит). Отсюда следует, что основная информация не передается непосредственно, а захватывается и распределяется в связях между нейронами.

Это была летучка в начале урока. Всем, кто прочел, большое спасибо, так как без усвоения азов трудно разобраться в логике работы искусственных нейронных сетей, которые так или иначе отражают свойства естественного биологического нейрона.

Параллельно с прогрессом в нейроанатомии и нейрофизиологии психологами были созданы модели человеческого обучения. Одной из таких моделей, оказавшейся наиболее плодотворной, была модель Д. Хэбба, который в 1949 г. предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. Он продемонстрировал ученым того времени, как сеть нейронов может обучаться.

В середине 1958 г. Фрэнком Розенблатом была предложена модель электронного устройства, названного им персептроном, которое должно было имитировать процессы человеческого мышления. Персептрон должен был передавать сигналы от «глаза», составленного из фотоэлементов, в блоки электромеханических ячеек памяти, которые оценивали относительную величину электрических сигналов. Эти ячейки соединялись между собой случайным образом в соответствии с господствующей тогда теорией, согласно которой мозг воспринимает новую информацию и реагирует на нее через систему случайных связей между нейронами. Два года спустя была продемонстрирована первая действующая машина «Марк-1», которая могла научиться распознавать некоторые из букв, написанных на карточках, которые подносили к его «глазам», напоминающим кинокамеры.

Персептрон Розенблата оказался наивысшим достижением нейромодельного метода создания искусственного интеллекта в то время. Он реализовывал принцип отказа от программирования в пользу обучения, на котором построены все современные нейросети.

Однако возможности персептрона были сильно ограничены: машина не могла надежно распознавать частично закрытые буквы, а также буквы иного размера или рисунка, нежели те, которые использовались на этапе ее обучения. В 1969 году вышла критическая работа Марвина Минского, в которой математически доказывалась ограниченность персептронов и принципиальная невозможность их использования для многих классов задач. Так как успехи персептронов были весьма скромными, а традиционные алгоритмы постоянно совершенствовались, решая все более сложные задачи, то эта область науки утратила популярность на многие годы.

Постепенно интерес к нейронным сетям восстанавливался. Это объясняется в основном появлением в разное время большого количества работ, в которых научно доказывается, что специальные нейросетевые алгоритмы могут эффективно решать задачи, традиционно считающиеся трудными для «традиционного» программирования. К тому же, развитие вычислительной техники позволило моделировать работу сложных нейронных сетей с малыми затратами. Это вызвало второй бум нейронных сетей, когда нейроалгоритмы считались панацеей и применялись всеми и везде.

В настоящее время ажиотаж вокруг нейронных сетей утих; определились области, в которых целесообразно применение нейроалгоритмов; появились научные работы, позволяющие аргументировать применение нейросетей и точно вычислить некоторые их количественные характеристики.

Давайте рассмотрим классы задач, решаемых при помощи искусственных нейронных сетей (ИНС), и примеры их использования.

Классификация образов . Задача состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови.

Кластеризация/категоризация . При решении задачи кластеризации, которая известна также как классификация образов учителя, отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследовании свойств данных.

Аппроксимация функций . Предположим, что имеется обучающая выборка ((Х1, У1), (Х2, У2), ..., (XN, YN)), которая генерируется неизвестной функцией, искаженной шумом. Задача аппроксимации состоит в нахождении оценки этой функции.

Предсказание/прогноз . Пусть заданы N дискретных отсчетов {(Y(t1), Y(t2), ....Y(tN)} в последовательные моменты времени t1, 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, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

Память, адресуемая по содержанию . В модели вычислений фон Неймана обращение к памяти доступно только посредством 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 вызвано даже по частичному или искаженному содержанию. Ассоциативная память чрезвычайно желательна при создании перспективных 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 является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью.

Теперь давайте рассмотрим конкретные реализации решений сложных задач, которые было предложено решить с использование ИНС.

Распознавание букв. Отметим, что задачи классификации (типа распознавания букв) очень плохо алгоритмизируются. Если в случае распознавания печатных букв верный ответ очевиден заранее, то в более сложных практических задачах распознавания 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 ученые 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 диагностика, где сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес). Конечно, «мнение» сети в этом случае нельзя считать окончательным. Но важность решения данной задачи трудно переоценить. Попробуйте классифицировать 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 практике западных компаний. При этом сеть тоже использует множество экономических показателей, сложным образом связанных между собой. На основании результатов работы такой обученной 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 Украине и даже получили гос. премию.

Есть примеры реализации с помощью ИНС систем управления прокатными станами — задача не тривиальная, но, как оказалось, решаемая.

В Украине под руководством Н.М. Амосова в начале 90-х была построена роботизированная транспортная платформа. В ней все элементы принятия решения, распознавания, ориентирования 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 радиолокационным портретам.

А вот американские ученые предложили использование в системе управления ракет класса «воздух — земля» блоков принятия решения на основе ИНС. При этом проведенные эксперименты показали надежность данной системы управления полетом ракеты, достаточную устойчивость работы системы управления полетом, возможность применения такой системы для различных полетов летательных аппаратов.

На том и сказочке конец.

Зачем рассказал?

Хочу, чтобы читатель понял, что в мире есть много удивительных вещей, о которых нужно узнать, которые нужно принять во внимание, с которыми нужно познакомиться лично.

Ну разве вам не интересно будет показать преподавателю, как поведет себя курс доллара через 3 дня? Или вместо двадцати листов расчета управляющего воздействия на объект показать структуру ИНС и те значения, которые были посчитаны за несколько минут?..

В следующем номере тему продолжим.

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.







Расширенный поиск 
 

О проекте  Рекламодателям  Карта сайта  Контакт  Обратная связь 

© ИД "Мой компьютер"®, 1998-2004
Купить деревообрабатывающий станок | Где купить бетон | Як купити квартиру від Києвом | Купити алюмінієвий профіль | return_links(); ?>