Нейросетевые задачи и способы их решения

Канунников Дмитрий Сергеевич,

 Алюшин Владимир Николаевич,

аспиранты кафедры математического анализа Курского государственного университета.

Искусственные нейронные сети (ИНС) [2] — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Впоследствии эти модели стали использовать в практических целях. В общем, задачи, которые могут быть решены с помощью нейросетей, можно разделить так:

·                     Распознавание образов и классификация [1]. В качестве образов могут выступать различные по своей природе объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу. Для решения может применяться когнитрон, вероятностная нейронная сеть, неокогнитрон.

·                    Принятие решений и управление. Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети при этом должен появиться признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы. Здесь можно применить когнитрон, сеть Джордана, сеть Элмана.

·                    Кластеризация. Под кластеризацией понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее неизвестны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов — это является признаком новых, отсутствующих в обучающей выборке, данных. Кластеризацию осуществляют нейронные сети Кохонена.

·                    Прогнозирование и аппроксимация. Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих. Здесь применима, например, сеть Ворда.

·                    Сжатие данных и ассоциативная память. Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно. Обратный процесс — восстановление исходного набора данных из части информации — называется (авто)ассоциативной памятью. Здесь подойдёт сеть Хопфилда.

Нейросети решают широкий круг задач, часто применимы там, где обычные аналитические методы бессильны. Есть как аппаратные реализации нейронных сетей, так и программные (например, пакет NeuroOffice).

Литература

1.                  Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика, 1992.

2.                  С. Хайкин. Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. — М.: «Вильямс», 2006.

Поступила в редакцию 25.05.2009 г.