|
|
Искусственные нейронные сети обзор их применения. Исскуст. нейрон. сети. Литвинов В. Л. Цель исследования
Тема: «Обзор применений искусственных нейронных сетей» Разработал: студент гр. ИБ-12з Кушпиль М. В. К.т.н., доцент, доцент кафедры «Информационных Управляющих Систем»: Литвинов В. Л. Цель исследования: Цель исследования: Изучение принципов построения, функционирования и применения искусственных нейронных сетей (ИНС). Задачи исследования: - Дать определение понятию ИНС.
- Составить хронологию развития ИНС.
- Исследовать разновидности ИНС и их вычислительные возможности.
- Изучить сферы применения ИНС в области науки и техники.
- Определить перспективы применения ИНС в будущем.
Содержание - Общие сведения об ИНС.
- Хронология развития ИНС.
- Разновидности ИНС и их классификация. Вычислительные возможности ИНС.
- Применение ИНС в науке и технике.
- Перспективы и будущее ИНС.
- Заключение.
1. Общие сведения об ИНС Термин «нейронная сеть» появился в середине XX века. Первые работы, в которых были получены основные результаты в данном направлении, были проделаны Мак-Каллоком и Питтсом. Нейронная сеть – это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии (рисунок 1.). Рисунок 1. Биологическая модель нейронной сети классификация предсказание распознавание Также она способна самостоятельно обучаться и развиваться, строя свой опыт на совершенных ошибках. Другими словами, это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических. Рисунок 2. Схема простой ИНС Рисунок 3. Входные и выходные данные нейрона Рисунок 4. Синапс - связь между двумя нейронами 2. Хронология развития ИНС Нейронная сеть берёт своё начало с первых компьютеров или ЭВМ (электронно-вычислительная машина). Еще в конце 1940-х годов канадский физиолог и нейропсихолог Дональд Хебб разработал механизм нейронной сети, чем заложил правила обучения ЭВМ, этих «протокомпьютеров». Дальнейшая хронология создания нейронных сетей была такой: В 1943 году У. Маккалок и У. Питтс формализуют понятие нейронной сети и разрабатывают компьютерная модель на основе математических алгоритмов и теории деятельности головного мозга. В 1949 Д. Хебб предлагает первый алгоритм обучения. В 1954 году происходит первое практическое использование нейронных сетей в работе ЭВМ. В 1958 году Франком Розенблатом разработан алгоритм распознавания образов и математическая аннотация к нему. В 1975 — Фукусима представляет когнитрон — самоорганизующаяся сеть, предназначенная для инвариантного распознавания образов, что достигается только при помощи запоминания практически всех состояний образа. К 2000 году из-за увеличения мощности компьютеров процесс создания нейронных сетей вырастает на столько, что появляются программы распознавания голоса, компьютерного зрения и многое другое. В 2007 Джеффри Хинтоном в университете Торонто созданы алгоритмы глубокого обучения многослойных нейронных сетей. После обучения получается готовое быстро работающее приложение, способное решать конкретную задачу. 3. Разновидности ИНС и их классификация. Вычислительные возможности ИНС Различают такие виды ИНС: Однослойные нейронные сети Многослойные нейронные сети Сети прямого распространения Сети с обратными связями Однослойные нейронные сети В однослойных нейронных сетях сигналы с входного слоя сразу подаются на выходной слой. Он производит необходимые вычисления, результаты которых сразу подаются на выходы (рисунок 5.). Рисунок 5. Однослойная нейронная сеть Рисунок 6. Многослойные нейронные сети Сети прямого распространения Сети прямого распространения – искусственные нейронные сети, в которых сигнал распространяется строго от входного слоя к выходному. В обратном направлении сигнал не распространяется. Такие сети решают определённый класс задач: прогнозирование, кластеризация и распознавание. Рисунок 7. Сети с обратными связями Из-за важной функции «циркуляции сигналов», с помощью таких сетей можно создавать нейросети, восстанавливающие или дополняющие сигналы. Проще говоря, такие сети будут обладать свойствами кратковременной памяти. Таблица 1. Классификация ИНС Вычислительные возможности нейронных сетей базируются на том, что в ней можно представить любую функцию. Следующие факты это подтверждают: Любая булева функция представима в виде двухслойной сети, это тривиальное следствие нейронной представимости функций И, ИЛИ, НЕ и произвольной булевой функции в виде дизъюнктивной нормальной формы. С помощью двухслойной сети с пороговыми функциями можно выделить произвольный выпуклый многогранник в n-мерном пространстве, а с помощью трехслойной сети, любую конечную линейную комбинацию. Любая непрерывная функция n аргументов на единичном кубе представима в виде суперпозиции непрерывных функций одного аргумента и операции сложения: где – непрерывные функции, причём не зависят от выбора f. Записанное здесь имеет структуру нейронной сети с одним скрытым слоем из 2n+1 нейронов. Таким образом, двух слоёв уже достаточно, чтобы вычислять произвольные непрерывные функции. Вместо многочленов можно пользоваться суперпозициями сложения и какой-нибудь непрерывной нелинейной функции одного аргумента. Таким образом, нейронные сети являются универсальными апроксиматорам функций. Возможности сети возрастают с увеличением числа слоёв и числа нейронов в них. Двух-трёх слоёв, достаточно для решения подавляющего большинства практических задач, классификации, регрессии и прогнозирования. Вычислительные возможности нейронных сетей базируются на том, что в ней можно представить любую функцию. Следующие факты это подтверждают: Любая булева функция представима в виде двухслойной сети, это тривиальное следствие нейронной представимости функций И, ИЛИ, НЕ и произвольной булевой функции в виде дизъюнктивной нормальной формы. С помощью двухслойной сети с пороговыми функциями можно выделить произвольный выпуклый многогранник в n-мерном пространстве, а с помощью трехслойной сети, любую конечную линейную комбинацию. Любая непрерывная функция n аргументов на единичном кубе представима в виде суперпозиции непрерывных функций одного аргумента и операции сложения: где – непрерывные функции, причём не зависят от выбора f. Записанное здесь имеет структуру нейронной сети с одним скрытым слоем из 2n+1 нейронов. Таким образом, двух слоёв уже достаточно, чтобы вычислять произвольные непрерывные функции. Вместо многочленов можно пользоваться суперпозициями сложения и какой-нибудь непрерывной нелинейной функции одного аргумента. Таким образом, нейронные сети являются универсальными апроксиматорам функций. Возможности сети возрастают с увеличением числа слоёв и числа нейронов в них. Двух-трёх слоёв, достаточно для решения подавляющего большинства практических задач, классификации, регрессии и прогнозирования. 4. Применение ИНС в науке и технике ИНС переживают настоящий прорыв. Исследователи занимаются искусственными нейронными сетями достаточно долго, не менее 70 лет, но огромные шаги вперед в развитии архитектуры ИНС происходят по сей день. Нейросети стали значительно экономичнее в использовании своих параметров, возникла волшебная модель под названием «сверточная нейросеть», такие нейросети способны самостоятельно находить в данных те признаки, с помощью которых можно наилучшим образом решить поставленную перед ними задачу. Потенциальными областями применения ИНС являются те, где человеческий интеллект малоэффективен, а традиционные вычисления трудоёмки или плохо отражают реальные физические процессы и объекты. При этом актуальность ИНС всё больше возрастает, когда появляется необходимость решения плохо формализованных задач. Основные области применения нейронных сетей: автоматизация процесса классификации; автоматизация прогнозирования; автоматизация процесса распознавания; автоматизация процесса принятия решений; управление, кодирование и декодирование информации. С помощью ИНС успешно решается важная задача в области телекоммуникаций – проектирование и оптимизация сетей связи (управления маршрутизацией потоков и проектирование новых телекоммуникационных сетей). Помимо задач в телекоммуникаций, нейронные сети находят применение в: 1. Розничной торговле. Для контроля работы персонала магазина и анализа поведения посетителей (сбор информации о количестве посетителей, их поле и возрасте, длине очередей, времени обслуживания, выявление потенциально мошеннических операций кассиров и тд.) 2. Транспорт. Выявление статистических характеристик транспортных потоков, контроль соблюдения правил парковки, подсчет количества пассажиров для контроля оплаты проезда. 3. Банковская отрасль. Определение поз людей, нетипичных для помещений с банкоматами. 4. Общественная безопасность. Определение позы - вскинутые вперед руки для стрельбы, лежащего человека, оставленных предметов с возможностью выделения вещей определенного типа. 5. Охрана природы. Обнаружение лесных пожаров по поднимающемуся дыму. 6. Управление ценами и производством. В результате использования ИНС осуществляется выбор оптимальной стратегии производства с точки зрения максимизации объёма продаж или прибыли. С помощью ИНС успешно решается важная задача в области телекоммуникаций – проектирование и оптимизация сетей связи (управления маршрутизацией потоков и проектирование новых телекоммуникационных сетей). Помимо задач в телекоммуникаций, нейронные сети находят применение в: 1. Розничной торговле. Для контроля работы персонала магазина и анализа поведения посетителей (сбор информации о количестве посетителей, их поле и возрасте, длине очередей, времени обслуживания, выявление потенциально мошеннических операций кассиров и тд.) 2. Транспорт. Выявление статистических характеристик транспортных потоков, контроль соблюдения правил парковки, подсчет количества пассажиров для контроля оплаты проезда. 3. Банковская отрасль. Определение поз людей, нетипичных для помещений с банкоматами. 4. Общественная безопасность. Определение позы - вскинутые вперед руки для стрельбы, лежащего человека, оставленных предметов с возможностью выделения вещей определенного типа. 5. Охрана природы. Обнаружение лесных пожаров по поднимающемуся дыму. 6. Управление ценами и производством. В результате использования ИНС осуществляется выбор оптимальной стратегии производства с точки зрения максимизации объёма продаж или прибыли. 5. Перспективы и будущее ИНС В настоящее время искусственные нейронные сети являются важным расширением понятия вычисления. Они уже позволили справиться с рядом непростых проблем и обещают создание новых программ и устройств, способных решать задачи, которые пока под силу только чело веку. Эпоха настоящих нейровычислений начнется с появлением на рынке большого числа аппаратных реализаций - специализированных нейрочипов и плат расширений, предназначенных для обработки речи, видео, статических изображений и других типов образной информации. Со временем должна появиться и бытовая техника, подстраивающаяся под своего владельца, предвестником которой можно считать нейросетевой блок адаптивного управления в новом пылесосе фирмы Samsung. Системы безопасности будут узнавать своих хозяев по голосу, внешнему виду и ряду других уникальных характеристик. Получат развитие и системы жизнеобеспечения «умных» электронных домов, которые станут еще более адаптивными и обучаемыми. На производстве и в различных промышленных системах интеллектуальные нейросетевые контроллеры смогут распознавать потенциально опасные ситуации, уведомлять о них людей и принимать своевременные меры. Потоки данных в вычислительных сетях и сетях сотовой связи тоже будут оптимизироваться с помощью нейротехнологий. 6. Заключение На основании проведенного исследования можно сделать следующие выводы: 1. Сегодня ИНС не являются уделом небольшой группы теоретиков и чем то простым или неприметным, к нейросетевым приложениям подключаются инженеры и исследователи разных специальностей, что открывает врата развития и совершенствования в данной технологии. 2. Несмотря на то, что конечная цель разработки нейронных сетей – полное моделирование процесса мышления человека так и не была достигнута, уже сейчас есть прогресс в построении удачных нейросетевых моделей исследуемых явлений полностью базирующихся на экспериментальных данных. 3. Широкое применение нашли ИНС для решения многих задач: обработки изображений, управления роботами и непрерывными производствами (для понимания синтеза речи, для диагностики заболеваний людей и технических неполадок в машинах и приборах, для предсказания курсов валют и т.д.). 4. Рост ИНС только набирает обороты действительных и весомых изменений захватывая новые сферы применения по мере возникновения новых задач. Использованная литература 1. Богославский С.Н. Область применения искусственных нейронных сетей и перспективы их развития / С.Н. Богославский. – Россия, Краснодар, КубГАУ, 2007.– 11 с. 2. Воронцов К.В. Лекции по искусственным нейронным сетям / К.В. Воронцов. – Россия, Москва, ФУПМ МФТИ и ФУПМ МФТИ, 2009.– 20 с. 3. Николенко С.А., Кадурин А.Р., Архангельская Е.С., Глубокое обучение. Погружение в мир нейронных сетей / С. Николенко, А. Кадурин, Е. Архангельская. – Россия, Санкт-Петербург, Питер СПб, 2020.– 480 с. 4. Галушкин А.И. – Нейронные сети. – [Электронный ресурс]. – URL: https://bigenc.ru/technology_and_technique/text/4114009 5. Кальченко Д.Н. – Нейронные сети: на пороге будущего. – [Электронный ресурс]. – URL: https://compress.ru/article.aspx?id=9663 6. Павленко А.П. – Типы нейронных сетей. Принцип их работы и сфера применения. – [Электронный ресурс]. – URL: https://otus.ru/nest/post/1263/ 7. Сизов А.С. – Что такое нейронные сети и как они работают? Классификация искусственных нейросетей. – [Электронный ресурс]. – URL: https://mining-cryptocurrency.ru/nejronnye-seti/ |
|
|
Скачать 1.06 Mb.