Нейронные сети стали весьма популярны в настоящее время. Это проявляется, в частности, в большом числе публикаций, конференций и различных областях применения. Одно из оснований такой популярности — их замечательные способности к обучению. Работы по нейронным сетям первоначально были начаты биологами. С помощью нейросетей исследователи стремились изучить свойства и особенности работы головного мозга.

Первая обучаемая искусственная нейронная сеть – перцептрон — была предложена Ф. Розенблаттом в 1958 г. Однако после того, как в 60-х годах было установлено, что перцептрон не способен классифицировать линейно неразделимые классы образов, область исследований по нейронным сетям существенно сузилась.

В конце 80-х годов XX века снова возрастает интерес к нейронным сетям. Нейронные сети по своей сути построены на принципах работы головного мозга. Их характерной чертой является способность к обучению. Нейронные сети являются нелинейными динамическими системами. Для исследования таких сложных моделей требуется огромная вычислительная мощность. Модели нейронных сетей различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов настройки нейронных сетей можно назвать алгоритм с обратным распространением ошибки – метод обучения многослойного персептрона. Это итеративный градиентный алгоритм, который используется с целью минимизации ошибки работы многослойного перцептрона и получения желаемого выхода.

Целью данной работы является изучение возможностей применений нейронных сетей в различных сферах жизни, а также перспективы их развития.

Актуальность исследования обусловлена тем, что современные исследования в области искусственных нейронных сетей обусловлены не только появлением новых математических разработок, но и прогрессом в информационных технологиях. Искусственные нейронные сети применяются при решении задач распознавания образов, обработки изображений, в лингвистических задачах, в системах управления и контроля и т. п.

Нейронная сеть состоит из множества одинаковых элементов – нейронов, являющихся минимальными элементами искусственной нейронной сети.

Потенциал у нейронных сетей огромен, но самое эффективное их использование требует определенного уровня знаний и понимания принципов их работы. Основными достоинствами нейронных сетей перед традиционными вычислительными методами являются:

  1. Процесс создания нейронной сети больше относится к процессу обучения, нежели к программированию;
  2. Нейрокомпьютеры особенно эффективны там, где нужно подобие человеческой интуиции, в частности к таким задачам относятся принятие решений в процессе оценки финансового состояния некоторого экономического объекта;
  3. Гибкость структуры нейронных сетей позволяет различными способами комбинировать простые составляющие нейрокомпьютеров – нейроны и связи между ними. За счет этого один нейрокомпьютер можно применять для решения различных задач, зачастую никак не связанных между собой;

Нейронные сети позволяют создать эффективное программное обеспечение для высокопараллельных компьютеров. Создавая математическое обеспечения на базе нейронных сетей, можно для широкого класса задач решить проблему эффективности одновременного решения параллельных задач. Кроме того, параллельная обработка информации обеспечивает высокую скорость решения задач.

Биологический нейрон представляет собой устройство, имеющее несколько входов, называемых дендритами, и один выход, называемый аксоном. Каждому входу ставится в соответствие некоторый весовой коэффициент, характеризующий пропускную способность канала (синапса) и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. В зависимости от конкретной реализации, обрабатываемые нейроном сигналы, могут быть аналоговыми или цифровыми (1 или 0). Вид сигнала определяется функцией активации (передаточной функцией). В теле нейрона происходит взвешенное суммирование входных сигналов, как показано на рисунке 1.

Соединенные определенным образом, нейроны образуют искусственную нейронную сеть. Каждый элемент такой сети имеет дело с сигналами, которые он периодически получает, и с сигналами, которые он отправляет другим нейронам. Работа нейронной сети разделяется на обучение и адаптацию. Искусственные нейронные сети не программируются в привычном понимании этого слова, а обучаются. В процессе обучения сложная нейронная сеть выявляет закономерности между входными и выходными данными, а также производит обобщение полученных результатов. Процесс обучения представляет собой просмотр некоторой обучающей выборки.

Одним из наиболее распространенных алгоритмов обучения и настройки искусственной нейронной сети является алгоритм обратного распространения ошибки. Процесс обучения состоит из двух этапов. На первом этапе осуществляется прямое распространение входного образа, с вычислением выходных значений. На втором этапе происходит распространение сигналов ошибки от выходов нейронной сети к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы и модификация коэффициентов настройки нейронной сети. Этот алгоритм обучения нейронной сети получил название процедуры обратного распространения.

Уже сегодня искусственные нейронные сети используются во многих отраслях, но прежде чем их можно будет применять там, где основным фактором являются человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы.

Области применения нейронных сетей очень разнообразны — это распознавание текста и речи, семантический поиск, системы поддержки принятия решений, автопилот для автомобилей, системы безопасности.

Безусловно, огромные надежды в отношении нейронных сетей сегодня связывают именно с аппаратными частями. В марте 2017 года корпорация IBM объявила о запуске нового проекта, который назывался IBM Q. Спустя два года на выставке CES 2019 эта же компания представила первый квантовый компьютер. Это уже не лабораторная установка, нуждающаяся в группе конкретных специалистов. Компьютер IBM Q System One можно завезти и собрать где угодно, и он не потребует постоянного обслуживания со стороны специально обученного персонала. Исходя из вышеизложенного, в скором времени мы сможем решать различные задачи, в которых раньше нам не хватало мощностей аппаратной части.

Подводя итоги проведенного исследования, можно утверждать, что сферы применения нейронных сетей весьма велики. К ним относятся распознавание текста и речи, образов, встраиваемые нейронные сети в экспертные системы, механизмы семантического поиска, прогнозирование и предсказание курсов акций и уровня инфляции, системы поддержки принятия решений, системы безопасности и проведения анализа текстов. Также нейронные сети можно использовать при управлении маршрутизацией потоков и проектировании новых телекоммуникационных сетей. Высока эффективность нейронных сетей при разработке систем безопасности, которые распознают хозяина по голосу, внешнему виду и собственным уникальным характеристикам. Возможно применение нейронных сетей при разработке «умных» домов, которые при этом станут более обучаемы и адаптивны. В сфере производства нейронные сети смогут распознавать опасные ситуации, уведомлять людей и принимать меры по их предотвращению.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *