Список использованных источников. “нейронные сети. Применение нейронных сетей при организации сетей передачи данных и обработки информации”

КУРСОВАЯ РАБОТА

“Нейронные сети. Применение нейронных сетей при организации сетей передачи данных и обработки информации”

 

Преподаватель ________ Галкин И.В.

подпись, дата инициалы, фамилия

 

Студент РФ15-35Б051509159 ________ Родикова Д.С.

номер группы зачетной книжки подпись, дата инициалы, фамилия

 

 

Красноярск 2016

СОДЕРЖАНИЕ

Введение…………………………………………………………………………….3

1.Нейронныее сети, как мозг человека…………………………………………..4

2.Виды обучения…………………………………………………………………..4

3.Область применения…………………………………………………………….6

4. Преимущества использования…………………………………………………7

5.Недостатки нейронных сетей……………………………………...…………...8

5.1 Проблемы использования…………………………………………………….8

5.2 Проблемы реализации……………………………………………………….10

Заключение………………………………………………………………………...11

Список использованных источников…………………………………………….12

 

ВВЕДЕНИЕ

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления.

Такой впечатляющий успех определяется несколькими причинами, во – первых это богатые возможности нейронных сетей. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Во – вторых, это простота в использовании нейросетей. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров.

 

1. Нейронные сети, как мозг человека.

Нейронная сеть — это последовательность нейронов, соединенных между собой синапсами или по-другому – связью. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти. Другими словами, нейросеть - это машинная интерпретация мозга человека, в котором находятся миллионы нейронов, передающих информацию в виде электрических импульсов.

Также, как и мозг человека, нейросеть выполняет определённый класс задач. В зависимости от того, как мозг будет развиваться – будет возрастать и количество задач, которые он сможет выполнить. Что касается нейронных сетей - то количество задач определяется тем, как сеть работает и тем, как она обучается.

2. Виды обучения.

Нейросети имеют три вида обучения: самостоятельное обучение, с учителем и смешанное. Далее рассмотрим все три вида, чтобы понять, какое обучение используется для решения той или иной задачи.

Самостоятельное обучение. Название говорит само за себя, обучение без учителя позволяет распределить образцы по категориям за счет раскрытия внутренней структуры и природы данных.

Обучение с учителем настроено по – другому, нейросети заранее известны ответы к каждому входному примеру, а синапсы (имеют единственный параметр - вес) подстраиваются так, чтобы минимизировать ошибку.

При смешанном обучении комбинируются два вышеизложенных подхода.

В Таблице 1 представлены различные алгоритмы обучения и связанные с ними архитектуры сетей (список не является исчерпывающим). В последней колонке перечислены задачи, для которых может быть применен каждый алгоритм. Каждый алгоритм обучения ориентирован на сеть определенной архитектуры и предназначен для ограниченного класса задач. Кроме рассмотренных, следует упомянуть некоторые другие алгоритмы: Adaline и Madaline, линейный дискриминантный анализ, проекции Саммона, анализ главных компонентов.

Способ обучения	Обучающее правило	Архитектура	Алгоритм обучения	Задача
С учителем	Коррекция ошибки	Однослойный и многослойный перцептрон	Алгоритмы обучения перцептрона Обратное распространение Adaline и Madaline	Классификация образов Аппроксимация функций Предскащание, управление
Больцман	Рекуррентная	Алгоритм обучения Больцмана	Классификация образов
Хебб	Многослойная прямого распространения	Линейный дискриминантный анализ	Анализ данных Классификация образов
Соревнование	Соревнование	Векторное квантование	Категоризация внутри класса Сжатие данных
Сеть ART	ARTMap	Классификация образов
Без учителя	Коррекция ошибки	Многослойная прямого распространения	Проекция Саммона	Категоризация внутри класса Анализ данных
Хебб	Прямого распространения или соревнование	Анализ главных компонентов	Анализ данных Сжатие данных
Сеть Хопфилда	Обучение ассоциативной памяти	Ассоциативная память
Соревнование	Соревнование	Векторное квантование	Категоризация Сжатие данных
SOM Кохонена	SOM Кохонена	Категоризация Анализ данных
Сети ART	ART1, ART2	Категоризация
Смешанная	Коррекция ошибки и соревнование	Сеть RBF	Алгоритм обучения RBF	Классификация образов Предсказание, управление

Таблица 1 - Алгоритмы обучения нейросетей и задачи, решаемые нейросетью.

Нельзя не заметить, что смешанное обучение позволяет генерировать из двух обучающих правил – одно, что позволяет экономить время и расширяет спектр решаемых задач. Кроме того, в последние несколько лет появились современные архитектуры искусственных нейронных сетей (например, LSTM), благодаря которым удаётся решать новые классы задач.

3. Область применения.

Области применения нейронных сетей весьма разнообразны, в первую очередь, они необходимы для распознавания образов и прогнозирования. С помощью нейронных сетей созданные людьми устройства распознают тексты, речь, лица, отпечатки пальцев или автомобильные номера, например. Это особенно важно в системах безопасности, видеонаблюдения, где требуется анализ данных с разнообразных сенсоров. Используются они и в банковской сфере при проверке подозрительных операций по пластиковым картам, в интернете для фильтрации спама и рассылки контекстной рекламы. В медицине искусственные нейронные сети служат для диагностики заболеваний и подбора методов лечения. В мобильных приложениях для смартфонов данное направление получило распространение в области творчества и развлечений. В 2016 году, например, особую популярность завоевало приложение “Prisma”, созданное командой отечественных разработчиков. Оно позволяет добиться превращения любой фотографии в произведение искусства, имитирующее стили известных художников.

Уже сегодня нейронным сетям начинают доверять операции, от качества выполнения которых зависит человеческая жизнь. Например, управление транспортными средствами. В этом случае специальная система распознаёт объекты вокруг автомобиля: движущиеся и припаркованные машины, людей, границы дороги, дорожные знаки, сигналы светофоров и т.п. — все, что позволяет двигаться по трассе без непосредственного вмешательства водителя-человека.

Если говорить более конкретно о предметных областях, что и где применяется, то разобью их на категории:

- экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьё, объемов продаж,..), автоматический трейдинг (торговля на валютной, фондовой или товарной бирже), оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам;

- медицина: постановка диагноза больному, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов;

- авиация: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты;

-автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций;

-робототехника: распознавание сцены, объектов и препятствий перед роботом, прокладка маршрута движения, управление манипуляторами, поддержание равновесия;

-политологические и социологические технологии: предсказание результатов выборов, анализ опросов, предсказание динамики рейтингов, выявление значимых факторов, кластеризация электората, исследование и визуализация социальной динамики населения;

-безопасность и охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи или лицу; распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок, анализ данных с видеодатчиков и разнообразных сенсоров;

-геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.

Обилие приведенных выше областей применения нейронных сетей доказывает, что нейросети - это гибкий и мощный набор инструментов решения разнообразных задач обработки и анализа данных.

Но конкретно меня в ходе курсовой работы интересует применение нейросетей при организации сетей передачи данных и обработки информации, тоже можно разбить на категории:

- связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакето;

-ввод о обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов;

- интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация и блокировка спама, автоматическая рубрикация сообщений из новостевых лент, адресные реклама и маркетинг для электронной торговли, распознавание captcha.

4. Преимущества использования.

Нейросети являются незаменимыми при анализе данных, в частности, для предварительного анализа или отбора, выявления "выпадающих фактов" или грубых ошибок человека, принимающего решения. Целесообразно использовать нейросетевые методы в задачах с неполной или "зашумленной" информацией, особенно в задачах, где решение можно найти интуитивно, и при этом традиционные математические модели не дают желаемого результата.

Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

5. Недостатки нейронных сетей.

5.1 Проблемы использования.

Уже сегодня искусственные нейронные сети используются во многих областях, но прежде чем их можно будет применять там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании.

На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые — в силу различных технических проблем или ошибок в программах, вторые — из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.

Другая трудность использования нейронных сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

В последнее время предпринимаются активные попытки объединения искусственных нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов.

Нейросетевые прикладные пакеты, разрабатываемые рядом компаний, позволяют пользователям работать с разными видами нейронных сетей и с различными способами их обучения. Они могут быть как специализированными (например, для предсказания курса акций), так и достаточно универсальными.

Несмотря на широкий спектр возможностей ИНС, решению задач с их помощью сопутствует ряд недостатков:

- большинство подходов для проектирования ИНС являются эвристическими и часто не приводят к однозначным решениям;

- для построения модели объекта на основе ИНС требуется выполнение многоцикловой настройки внутренних элементов и связей между ними;

- проблемы, возникающие при подготовке обучающей выборки, связанные с трудностями нахождения достаточного количества обучающих примеров;

- обучение сети в ряде случаев приводит к тупиковым ситуациям;

- продолжительные временные затраты на выполнение процедуры обучения зачастую не позволяют применять ИНС в системах реального времени;

- поведение обученной ИНС не всегда может быть однозначно предсказуемо, что увеличивает риск применения ИНС для управления дорогостоящими техническими объектами;

- большинство известных коммерческих продуктов схемотехнической реализации нейронных сетей, выполняются в виде сверхбольших интегральных схем (СБИС), которые сегодня трудно назвать широкодоступными и др.

Поиск оптимального соотношения параметров нейросетевых моделей и их характеристик в каждом конкретном случае является одной из ключевых задач, для эффективного решения которой необходим широкий спектр методов, алгоритмов и программ синтеза, различающихся по объему вычислений, качеству получаемых результатов, времени поиска решения, способам представления данных.

Эти обстоятельства позволяют отметить актуальность разработки новых алгоритмов для подбора обучающих примеров, ориентированных на минимизацию аппаратурных затрат при последующей реализации ИНС.

Учитывая, перечисленные выше недостатки, можно сделать заключение о том, что выбор типа нейронной сети и создания нейросетевой модели для какой-либо задачи является трудоемким процессом и порой может не принести удовлетворительных результатов. В качестве решения подобной весьма распространенной проблемы предлагается разработка алгоритмов, инструментальных программных средств и методики для автоматического получения формального описания аппроксимирующих нейронных сетей.

5.2 Проблемы реализации.

Разработка и реализация новых алгоритмов оперативной диагностики технических объектов в целом на основе ИНС позволит повысить надежность устройств и вместе с тем упростить их конструкцию за счет исключения так называемого «горячего резервирования», а также уменьшить эксплуатационные расходы, расходы на техническое обслуживание и ремонт оборудования. Однако при разработке алгоритмов диагностики и проектировании на основе ИНС до сих пор не решен ряд проблем, главными из которых являются следующие:

– отсутствие формальных методов выбора типа ИНС, адекватного решаемому классу задач;

– недостаточная обоснованность выбора методов оптимизации в процедуре обучения ИНС, что приводит к большим ошибкам прогноза и времени обучения;

– высокая комбинаторная сложность проблем, связанных с автоматическим формированием топологии ИНС, что во многих случаях не позволяет создавать интеллектуальные информационные технологии на базе ИНС с минимальной сложностью.

 

ЗАКЛЮЧЕНИЕ

Развитие нейронных сетей вызвало немало энтузиазма и критики. Некоторые сравнительные исследования оказались оптимистичными, другие - пессимистичными. Для многих задач, таких как распознавание образов, пока не создано доминирующих подходов. Нужно пытаться понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем.

Множество надежд в отношении нейронных сетей сегодня связывают именно с аппаратными реализациями, но пока время их массового выхода на рынок, видимо, еще не пришло. Они или выпускаются в составе специализированных устройств, или достаточно дороги, а зачастую и то и другое. На их разработку тратится значительное время, за которое программные реализации на самых последних компьютерах оказываются лишь на порядок менее производительными, что делает использование нейропроцессоров нерентабельным. Но все это только вопрос времени — нейронным сетям предстоит пройти тот же путь, по которому еще совсем недавно развивались компьютеры, увеличивая свои возможности и производительность, захватывая новые сферы применения по мере возникновения новых задач и развития технической основы для их разработки.

Сегодня нейронные сети используются для работы в относительно узких областях, и неизвестно, доверят ли им когда-нибудь решение вопросов, которые требуют понимания социального контекста. Между тем нейронные сети уверенно продолжают проникать в нашу жизнь, и примеров тому немало.

 

 

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Семейкин В. Д. Управление сетью передачи данных с помощью искусственных нейронных сетей // T-Comm. 2013. №7 С.118-121.

2. Слепцов Н. В., Щербакова С. В. Автоматическая оптимизация структуры нейросетей // Вестник СГТУ. 2010. №1 (44) С.139-149.

3. Керимова С. Ш., Бекк М. В. Нейронные сети и их применение в современной моде // МНКО. 2014. №4 (47) С.272-273.

4. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб:Питер, 2000. – 384 с.

5. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.:Изд. дом «Вильямс», 2003. – 864 с.

6. Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.