Исследование нейронных сетей и методов их эволюции

Аннотация

Коротач А.С., Чередникова О.Ю. Исследование нейронных сетей и методов их эволюции. Описаны возможности нейронных сетей, концепция работы, возможный технический функционал, задачи, решаемые с помощью нейронных сетей и способы улучшения качества их выполнения.

Введение

Одной из самых сложных областей современной науки является исследование человеческого мозга как многоклеточной системы. Возникновение ментальных состояний (например, распознавание изображений, ощущения, мысли) объясняется эволюцией макроскопических параметров вследствие нелинейных микроскопических взаимодействий нейронов. Если мозг рассматривать как сложную систему нейронов, то его динамику, по предположению, можно описать с помощью нелинейной математики нейронных сетей. Например, распознавание изображений может быть представлено фазовым переходом аналогично тому, как это делается в физике, химии, биологии. Создаются междисциплинарные программы исследований, имеющие целью объяснить синергетику нейронной сети как естественное следствие физической, химической и нейробиологической эволюции, в основе которой лежат некие общие принципы.

На рынке коммерческих программных продуктов наряду с аналитическими инструментами нового поколения, основанными на применении логики нечетких множеств —от электронных таблиц (FuzzyСа1с) до экспертных систем (CabiСа1с) корпорации Hyper Jodic(США), все больший интерес для финансово-экономической деятельности представляют аналитические информационные технологии, основанные на использовании искусственных нейронных сетей. Под искусственными нейронными сетями (далее —просто нейронными сетями) подразумевают вычислительные структуры, состоящие из большого количества однотипных элементов, каждый из которых выполняет относительно простые функции. Процессы в искусственных нейросетях иногда ассоциируются процессами, происходящими в нервной системе живых организмов. Бурно развивающийся в последние годы аппарат нейронных сетей предназначался в начале в основном для решения задач классификации, кластеризации и распознавания образов, но дальнейшее развитие данного направления значительно расширило сферу применения нейросетевого подхода, и он начал применяться, в частности, в задачах управления.

Нейронные сети—обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая скрытые закономерности из потока данных [1].

Возможности нейронных сетей и сферы их применения

Принципиальное отличие искусственных нейросетей от обычных программных систем, например, экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю.

Задачи, решаемые информационными системами, в большинстве случаев можно свести к ряду типовых, среди которых нейросетевые технологии и позволяют решать следующие:

1. Распознавание человеческой речи и абстрактных образов.

2. Классификацию образов —определение принадлежности образа к одному или нескольким предварительно определенным классам.

3. Кластеризацию —разделение образов на заранее не определенные классы по каким-либо признакам.

4. Классификацию состояний сложных систем.

5. Аппроксимацию функций —оценку неизвестной зависимости по экспериментальным данным.

6. Прогноз (предсказание) —определение будущего процесса по его прошлому и настоящему.

7. Оптимизацию —нахождение решений, которые максимизируют или минимизируют определенный критерий качества при заданных ограничениях.

8. Память, адресуемую по содержанию (ассоциативную память), —память, доступную по указанному содержанию.

9. Управление —перевод и поддержание системы в требуемом состоянии.

Из приведенных выше задач —задача управления является самой сложной, в большинстве случаев для ее решения как вспомогательные требуется решить также другие приведенные здесь задачи [2].

Известны следующие сферы применения нейросетей:

1. Экономика и бизнес

   • управление технологическими процессами и финансовыми потоками;

   • предсказание поведения рынков;

   • предсказание банкротств;

   • оценка стоимости недвижимости;

   • автоматическое рейтингование;

   • оценка кредитоспособности;

   • прогнозирование курса валют;

   • решение аналитических, исследовательских, прогнозных задач, связанных с обширными информационными потоками.

2. Медицина

   • обработка медицинских изображений,диагностика, выбор сочетания различных лекарственных препаратов и др.;

3. Internet

   • ассоциативный поиск информации;

4. Автоматизация производства оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации;

5. Политические технологии

   • обобщение социологических опросов;

6. Безопасность и охранные системы

   • системы идентификации личности, распознавание автомобильных номеров и аэрокосмических снимков;

7. Геологоразведка

   • анализ сейсмических данных, оценка ресурсов месторождений [3].

Преимущества и недостатки нейронных сетей

Основные достоинства нейросетей:

1. Адаптируемость (легкая переобучаемость при больших потоках входных данных), а также возможность потенциального распараллеливания вычислений.

2. Способность обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами;

3. Обучение на неполной, противоречивой и искаженной информации;

4. Не требуют выполнения условия отсутствия взаимосвязи между входными факторами, как это требуется в регрессионном анализе [3].

К недостаткам нейросетей относятся «непрозрачность» процесса их работы и трудности интерпретации результатов, а также то, что в них, в отличие от экспертных систем с логическим выводом при анализе, приходится приводить исходные данные к цифровой 12 форме (как и для статистических пакетов). Кроме того, правильно настроенная нейросеть, хотя и может адекватно оценивать сходные ситуации, обычно плохо проводит анализ принципиально новых ситуаций, не представленных ранее примерами в материале обучения.

Виды нейронных сетей

Используемые архитектуры нейросетей:

• Обучение с учителем:

  Перцептрон - математическая или компьютерная модель восприятия информации мозгом, предложенная Фрэнком Розенблаттом в 1957 году.

• Смешанное обучение:

  Сеть радиально-базисных функций - искусственная нейронная сеть, которая использует радиальные базисные функции как функции активации. Выходом сети является линейная комбинация радиальных базисных функций входов и параметров нейрона. Сети радиальных базисных функций имеют множество применений, в том числе функции приближения, прогнозирования временных рядов, классификации и системы управления. Впервые сформулированы в 1988 Брумхедом и Лоу [4].

Заключение

Совместное использование эволюционных алгоритмов и ИНС позволяет решать задачи настройки и обучения ИНС как по отдельности, так и одновременно. Одним из достоинств такого синтезированного подхода является во многом унифицированный подход к решению разнообразных задач классификации, аппроксимации, управления и моделирования. Использование качественной оценки функционирования ИНС позволяет применять нейроэволюционные алгоритмы для решения задач исследования адаптивного поведения интеллектуальных агентов, поиска игровых стратегий, обработки сигналов. Несмотря на то, что количество проблем и открытых вопросов, касающихся разработки и применения НЭ алгоритмов (способы кодирования, генетические операторы, методы анализа и др.) велико, часто для успешного решения задачи с использованием НЭ алгоритма достаточно адекватного понимания проблемы и НЭ подхода, свидетельством чего является большое число интересных и успешных работ в данном направлении.

Список использованной литературы

1. Нейросети [Электронный ресурс]. – Режим доступа: https://dic.academic.ru/dic.nsf/ruwiki/1058837
2. Нейросети: Что это такое и как работает [Электронный ресурс]. – Режим доступа: https://www.mirf.ru/science/kak-rabotayut-nejroseti
3. 3. Область применения нейронных сетей[Электронный ресурс]. – Режим доступа: http://fb.ru/article/350827/neyroset-eto-chto-takoe-opredelenie-znachenie-i-oblasti-primeneniya
4. 4. Искусственная нейронная сеть [Электронный ресурс]. – Режим доступа: https://ru.wikipedia.org/wiki/Искусственная_нейронная_сеть