проект нейросети. 1 Нейронные компьютерные системы понятие, модели, история развития

• Название: 1 Нейронные компьютерные системы понятие, модели, история развития
• Дата: 07.11.2022
• Размер: 207.58 Kb.
• Имя файла: проект нейросети.docx
• Тип: Реферат; #774650
• страница: 3 из 3

3 Внедрение нейронных систем в России как определяющий фактор развития государства

3.1 Внедрение нейронных систем в России на современном этапе развития государства
В России сложилась своя школа теории нейронных сетей, на счету которой ряд удачных работ.

По словам ведущего специалиста в области нейротехнологий научного центра нейрокомпьютеров А. Галушкина общая методика синтеза многослойных нейронных сетей была разработана сотрудниками Научного центра нейрокомпьютеров еще в конце 60-х годов и постоянно развивалась в течение 30 лет. В результате в России сформировалось направление в области теории нейрокомпьютерных сетей, которое по ряду параметров превосходит уровень зарубежных работ. Например, были разработаны методы адаптивной настройки нейронных сетей с произвольным видом нейрона и произвольным числом слоев; с различными видами связей между слоями; с различными видами критериев оптимизации; с различными ограничениями на весовые коэффициенты нейронных сетей... Определенная общность отечественных методов развития теории нейронных сетей позволила создать единый подход к разработке нейросетевых алгоритмов решения самых разнообразных задач.¹⁶

По словам А. Галушкина, когда в связи с публикацией работы Минского и Пейперта исследования за рубежом почти полностью прекратились, российские специалисты, владея общей методикой настройки многослойных нейронных сетей, продолжали работы в данной области.
Значимые работы проводились в Институте высшей нервной деятельности (проф. Фролов), в Красноярске (группа «НейроКомп», А.И Горбань), в Ростове (НИИ Кибернетики), в Таганроге.

Каждый, кто сегодня в России работает в области нейросетевых вычислений, испытывает те же трудности, что и вся отечественная наука — отсутствие государственного финансирования фундаментальных исследований. Это особенно неблагоприятно для нейросетевых технологий – одного из наиболее бурно развиваемых во всем цивилизованном мире направлений. Недофинансирование в данной области может предопределить ситуацию на многие десятилетия. И не в лучшую для России сторону.

Работы НТЦ «Модуль». На общем фоне заметно выделяется московская фирма НТЦ «Модуль», достойно развивающая российскую школу нейроматематики.

Научно-технический центр «Модуль» учрежден в 1989 году известными предприятиями военно-промышленного комплекса — межгосударственной корпорацией «Вымпел» и НИИ Радиоприборостроения.

В настоящее время 99,9% акций НТЦ принадлежит его сотрудникам. Нейросетевая проблематика — одна из приоритетных для фирмы. Несмотря на отсутствие бюджетного финансирования, в «Модуле» проводятся фундаментально-поисковые исследования, приносящие принципиально новые научные результаты. Это стало возможным благодаря комплексному подходу к нейрокомпьютингу: работы ведутся на всех уровнях, от теоретической проработки до решения прикладных задач и создания программно-аппаратных комплексов.

В результате на основе ИНС созданы такие программно-аппаратные комплексы, как система выделения и классификации движущихся объектов, системы распознавания гидроакустических и радиолокационных сигналов, система обнаружения и классификации целей по акустическому сигналу, системы автоматической классификации факсимильных сообщений и нечеткого поиска в базе данных, а также набор программ для решения задач дискретной оптимизации (целераспределение, задачи о назначениях, маршрутизации и т.д.).

Одной из самых значимых работ компании «Модуль» является построитель классификаторов широкого применения (NeuralNetworkPatternRecognationEngine of GeneralPurpose) (первая версия — свидетельства о регистрации № 980635, 980636).

Отличительная особенность продукта — способность работать с достаточно крупным классом задач, связанных с распознаванием и классификацией.

Из основных элементов построителя классификатора является механизм обучения (построитель распознавателя) и собственно распознающую структуру — нейронную сеть. Задача построителя распознавателя — правильно сконфигурировать эту сеть.

ИНС имеет модульную архитектуру. Входная информация поступает на ряд модулей, каждый из которых соответствует какому-либо классу объектов. Модуль, отклик которого максимален, считается «победившим», а объект — распознанным (относящимся к данному классу). Каждый модуль, в свою очередь, является нейронной сетью, архитектура которой может не соответствовать архитектуре сети верхнего уровня. Модули (нейронные ансамбли) субсети также представляют собой нейронную сеть. Таких вложений может быть несколько. На самом нижнем уровне — простой искусственный нейрон. Число модулей в субсетях различно и зависит от решаемой задачи.

Существенное ограничение описанной структуры — статичность, то есть невозможность изменить параметры сети в процессе ее работы. Однако от этого недостатка избавлена новая версия распознавателя, находящегося на стадии бета-тестирования. В его сети присутствуют обратные связи, что позволяет динамически изменять как весовые коэффициенты связей, так и число модулей в субсетях. Состояние весов такой сети зависит от входящей информации. Это полезно при решении многих задач, например при анализе речи.

В целом, благодаря выбору модульной архитектуры и, что не менее важно, оригинальной организации механизма обучения, построитель классификатора способен работать в режиме реального времени при решении многих задач.

В их числе распознавание акустической информации (к ним же можно отнести ряд задач анализа ИК-излучения, сейсмических колебаний и т.п.), изображения (текстурное распознавание, сегментация изображения), анализ информации в виде графиков (медицина, финансы), статистической информации¹⁷.

В этих приложениях не требуется обучать систему в процессе работы. Однако продукт работает и с рядом задач, где необходимо обучение «на лету» (onfly), например слежение за движущимися объектами. Существенно, что заложенные алгоритмы позволяют справляться с большим объемом ложной информации.

С точки зрения решаемых задач с построителем классификаторов фирмы «Модуль» можно сравнить такие нейросетевые парадигмы, как LVQ (LinearVectorQuantization) и самоорганизующиеся карты Кохонена (SOM). Топология сети с парадигмой LVQ аналогична сети Кохонена.

3.2 Проблемы и перспективы внедрения нейронных систем
Частота применения технологии искусственных нейронных сетей вразличных сферах жизни общества и в науке, несомненно, растет. Об этом свидетельствуют теновшества, которые постоянно внедряются в быт людей. Конечно, нельзя сказать о том, чтонейронные сети окружают нас везде, но и обратного также утверждать нельзя. Технологии сприменением нейронных сетей активно используются в области информационных технологий.

Всем знакомый голосовой поиск от компании Google на портативных устройствах и персональныхкомпьютерах, преобразующий речь в текст за считанные секунды, использует специальныеалгоритмы, основанные на глубоких нейронных сетях. Это позволяет использовать меньшееколичество вычислительных ресурсов, при этом повысить точность и скорость работы.

Технология распознавания лиц с использованием нейронной сети также нашла своёприменение в разработке мобильного программного обеспечения. Компания Apple, например,представила технологию Face ID, позволяющую пользователю разблокировать свой телефон спомощью лица: благодаря специальному алгоритму, основанному на нейронной сети, устройствосоставляет 3D модель лица пользователя и затем сравнивает его при следующей разблокировке. Причем, по словам разработчиков, если человек будет носить бороду, поменяет прическу,наденет очки, устройство все равно его распознает. Данная технология позволяет защититьустройство от доступа других лиц и, соответственно, от кражи личной информации.

Помимо области информационных технологий, нейронные сети активно используются вреализации технологий умного транспорта, в качестве примера можно привести проект Яндекса— беспилотное такси. Компанией были созданы два автомобиля, в которых установленыразличные датчики, камеры, позволяющие автомобилю определять расположение объектов вокруги на основе этих данных производить управление автомобилем. Обработкой полученных данныхзанимается специальный алгоритм, который с каждым днем совершенствуется, и, возможно, вскором времени данная технология будет полностью внедрена в жизнь.

В сфере экономики нейронные сети чаще всего используются для прогнозирования цен,курсов валют, а также оптимизации торговли на рынке. Наиболее популярный нейросетевой пакетполучил название BrainMarker, основная цель которого — находить решение нетрадиционных задач, таких как биржевые предсказания, моделирование различных рыночных ситуаций. В его основе как раз и лежит нейронная сеть (сеть Хопфилда), обучающаяся на множестве примеров. Популярность данной технологии, несомненно, растёт, как и количество различных изобретений, использующих её.

Внедрение устройств, использующих нейронные сети, во все сферы жизнедеятельности — одна из основных задач на ближайшие несколько лет. Использование технологии распознавания образов поможет, например, решить одну из главных проблем густонаселённых городов — транспортную.

Хотя уже и появились «умные» светофоры на улицах городов, но говорить о повсеместном использовании этой технологии нельзя до тех пор, пока не будут решены все проблемы и устранены все ошибки и недочеты. Благодаря развитию системы распознавания голоса появятся системы «моментального перевода» как для личного использования (например, для людей, путешествующих по зарубежным странам), так и для коммерческого (при проведении конференций с иностранными партнерами).

В настоящее время уже имеются так называемые «боты», которые понимают человеческую речь и могут общаться с людьми, хоть и на примитивном уровне, но у таких устройств достаточно узкий спектр вопросов, на которые они могут дать ответ, расширение же их «кругозора» может стать шагом к внедрению их в различные кол-центры, где они будут быстро реагировать на звонки людей.

Помимо этого, нейронные сети смогут помочь в агропромышленной сфере, сыграв большую роль в автоматизации процессов посева, ухода за ним и сборки урожая. Использование умной техники позволит увеличить производительность труда и упростить некоторые сложные процессы, облегчив жизнь фермерам и другим работникам сельского хозяйства.

Заключение

Нейрокомпьютеры являются перспективным направлением развития современной высокопроизводительной вычислительной техники, а теория нейронных сетей и нейроматематика представляют собой приоритетные направления российской вычислительной науки. Основой активного развития нейрокомпьютеров является принципиальное отличие нейросетевых алгоритмов решения задач от однопроцессорных, малопроцессорных, а также транспьютерных. Для данного направления развития вычислительной техники не так важен уровень развития отечественной микроэлектроники, поэтому оно позволяет создать основу построения российской элементной базы суперкомпьютеров.

В России уже успешно функционирует один из первых мощных нейрокомпьютеров для финансового применения - CNAPS PC/128 на базе 4-х нейроБИС фирмы AlaptiveSolutions. По данным фирмы «Торацентр» в число организаций, использующих нейронные сети для решения своих задач, уже вошли: Центробанк, МЧС, Налоговая Инспекция, более 30 банков и более 60 финансовых компаний.

Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей, отчасти по необходимости и из-за широких возможностей для одних, из-за престижности для других и из-за интересных приложений для третьих. Не следует пугаться того, что появление столь мощных и эффективных средств перевернет финансовый рынок, или «отменит» традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов - говорить об этом, мягко говоря, преждевременно. В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят - и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно «насаждать» нейронные сети, или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.

Список используемой литературы

1. Горбань А. Нейроинформатика и ее приложения. — Открытые системы, 2018, №8.

2. McCulloch W.S. and Pitts W.A Logical Calculus of Ideas Immanent in Nervous Activity. — Bull. Mathematical Biophysics, 1943, Vol. 5, p. 115–133.

3. Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. — MIT Press, Cambridge, Mass., 1969.

4. Hopfield J.J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. — In Proc. National Academy of Sciencies, USA79, 1982, p. 2554–2558.

5. Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. — Phd Thesis, Dept. of Applied Mathematics, Harvard University, Cambridge, Mass., 1974.

6. Rumelhart D.E., McClelland J.L. Parallel Distributed Processing: Exploration in the Microstructure of Cognition. — MIT Press, Cambridge, Mass., 1986.

7. КороткийС. Нейронныесети: алгоритмобратногораспространения.

8. Anderson J.A., Rosenfeld E. Neurocomputing: Foundation of Research. — MIT Press, Cambridge, Mass., 1988.

9. Копосов А.И., Щербаков И.Б., Кисленко Н.А. и др. Отчет по НИР «Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии». — ВНИИГАЗ, 2015.

10. КороткийС. Нейронныесети: обучениебезучителя.

11. Hebb D.O. The Organization of Behavior. — John Wiley & Sons, New York, 1949.

12. Kohonen T. SelfOrganization and Associative Memory, Third Edition. — Springer-Verlag, New York, 1989.

13. Carpenter G.A., Grossberg S. Pattern Recognition by SelfOrganizing Neural Networks. — MIT Press, Cambridge, Mass., 2013.

14. Яфраков М.Ф., Корчагина Л.И. Особенности комплексного подхода к нейрокомпьютингу. — Изв. вузов. Приборостроение, 2017, т. 40, №3.

15. Резник А. Нейрокомпьютеры. — Компьютеры+программы, 2009, №1.

16. Гендлин В. Искусственному интеллекту прочистят правое полушарие. — КоммерсантЪ - Деньги, 2008, №19 (173).

17. Галушкин А. Современные направления развития нейрокомпьютерных технологий в России. — Открытые системы, 2017, №4.

1^Горбань А. Нейроинформатика и ее приложения. — Открытые системы, 2018, №8.

2McCulloch W.S. andPitts W. A LogicalCalculus of IdeasImmanentinNervousActivity. — Bull. Mathematical Biophysics, 1943, Vol. 5, p. 115–133.

3^Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. — Phd Thesis, Dept. of Applied Mathematics, Harvard University, Cambridge, Mass., 1974.

4^Короткий С. «Нейронные сети: алгоритм обратного распространения».

5^Anderson J.A., Rosenfeld E. Neurocomputing: Foundation of Research. — MIT Press, Cambridge, Mass., 1988.

6^Carpenter G.A., Grossberg S. Pattern Recognition by SelfOrganizing Neural Networks. — MIT Press, Cambridge, Mass., 2013.

7^Kohonen T. SelfOrganization and Associative Memory, Third Edition. — Springer-Verlag, New York, 1989.

8^Hebb D.O. The Organization of Behavior. — John Wiley & Sons, New York, 1949.

9^Rumelhart D.E., McClelland J.L. Parallel Distributed Processing: Exploration in the Microstructure of Cognition. — MIT Press, Cambridge, Mass., 1986.

10^Hopfield J.J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. — In Proc. National Academy of Sciencies, USA79, 1982, p. 2554–2558.

11^ЯфраковМ.Ф., КорчагинаЛ.И. Особенностикомплексногоподходакнейрокомпьютингу. — Изв. вузов. Приборостроение, 2017, т. 40, №3

12^Резник А. Нейрокомпьютеры. — Компьютеры+программы, 2009

13^Короткий С. Нейронные сети: обучение без учителя.

14^Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. — MIT Press, Cambridge, Mass., 1969.

15^Гендлин В. Искусственному интеллекту прочистят правое полушарие. — КоммерсантЪ - Деньги, 2008, №19 (173).

16^Копосов А.И., Щербаков И.Б., Кисленко Н.А. и др. Отчет по НИР «Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии». — ВНИИГАЗ, 2015.

17^Галушкин А. Современные направления развития нейрокомпьютерных технологий в России. — Открытые системы, 2017, №4.