Ћекции.ќрг


ѕоиск:




 атегории:

јстрономи€
Ѕиологи€
√еографи€
ƒругие €зыки
»нтернет
»нформатика
»стори€
 ультура
Ћитература
Ћогика
ћатематика
ћедицина
ћеханика
ќхрана труда
ѕедагогика
ѕолитика
ѕраво
ѕсихологи€
–елиги€
–иторика
—оциологи€
—порт
—троительство
“ехнологи€
“ранспорт
‘изика
‘илософи€
‘инансы
’ими€
Ёкологи€
Ёкономика
Ёлектроника

 

 

 

 


Ќейронные сети, задачи и применение




—одержание

¬ведение.................................................................................................................3

Ќейронные сети, задачи и применение............................................................... 4

 лассификаци€ нейронных сетей......................................................................10

“ехническое задание............................................................................................ 16

ƒневник практики............................................................................................... 19

—писок источников.............................................................................................. 24

 

 


¬ведение

÷ель практики: формирование технического задани€ на выпускную квалификационную работу.

ѕланируема€ предметна€ область: нейронные сети и их реализаци€.

ƒл€ формировани€ технического задани€ были изучены и проанализированы выпускные квалификационные работы по нейронным сет€м. »зучена литература и материалы по нейронным сет€м в сети интернет.

Ќейронные сети, задачи и применение

»скусственна€ нейронна€ сеть (»Ќ—, нейронна€ сеть) - это набор нейронов, соединенных между собой.  ак правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса €вл€ютс€ параметрами нейронной сети и могут измен€тьс€. Ќекоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. ѕодава€ любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. “аким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задаетс€ весами нейронной сети. [1]

Ќейросетевые технологии можно примен€ть в таких област€х как:

а) Ёкономика и бизнес. ѕредсказание рынков, оценка риска невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, вы€вление пере- и недооцененных компаний, оптимизаци€ портфелей, оптимизаци€ товарных и денежных потоков, автоматическое считывание чеков и форм, безопасность транзакций по пластиковым карточкам.

ѕример. ѕрограммное обеспечение компании RETEK, дочерней фирмы HNC Software, - лидер среди крупных ритейлеров с оборотом свыше $1 млрд. ≈е продукт Retek Predictive Enterprise Solution включает развитые средства нейросетевого анализа больших потоков данных, характерных дл€ крупной розничной торговли. ќн также содержит прогнозный блок, чтобы можно было заранее просчитать последстви€ тех или иных решений.

б) ћедицина. ќбработка медицинских изображений, мониторинг состо€ни€ пациентов, диагностика, факторный анализ эффективности лечени€, очистка показаний приборов от шумов.

ѕример. √руппа Ќейро омп из  расно€рска (под руководством јлександра Ќиколаевича √орбан€) совместно с  расно€рским межобластным офтальмологическим центром им. ћакарова разработали систему ранней диагностики меланомы сосудистой оболочки глаза. Ётот вид рака составл€ют почти 90% всех внутриглазных опухолей и легко диагностируетс€ лишь на поздней стадии. ћетод основан на косвенном измерении содержани€ меланина в ресницах. ѕолученные данные спектрофотометрии, а также общие характеристики обследуемого (пол, возраст и др.) подаютс€ на входные синапсы 43-нейронного классификатора. Ќейросеть решает, имеетс€ ли у пациента опухоль, и если да, то определ€ет ее стадию, выдава€, кроме этого, процентную веро€тность своей уверенности

в) јвионика. ќбучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета.

ѕример.  омпани€ McDonnell Douglas Electronic Systems разработала автоматический переключатель режимов полета в реальном масштабе времени в зависимости от вида повреждени€ самолета. ƒанные от 20 сенсорных датчиков и сигналов от пилота используютс€ нейросетью дл€ выработки около 100 аэродинамических параметров полета. —ильной стороной €вл€етс€ возможность сети адаптироватьс€ к непредсказуемым аэродинамическим режимам, таким как потер€ части крыла и т.д.

г) —в€зь. —жатие видео-информации, быстрое кодирование-декодирование, оптимизаци€ сотовых сетей и схем маршрутизации пакетов.

Ќейросети уже продемонстрировали коэффициент сжати€ 120:1 дл€ черно-белого видео. ÷ветное видео допускает примерно вдвое большую степень сжати€ 240:1 за счет специальной схемы кодировани€ цветов.

д) »нтернет. јссоциативный поиск информации, электронные секретари и агенты пользовател€ в сети, фильтраци€ информации в push-системах, рубрикаци€ новостных лент, адресна€ реклама, адресный маркетинг дл€ электронной торговли.

ѕример. ‘ирма Autonomy отделилась от родительской фирмы Neurodynamics в июне 1996 года с уставным капиталом $45 млн и идеей продвижени€ на рынок Internet электронных нейросетевых агентов. —огласно ее пресс-релизу, первоначальные вложени€ окупились уже через год.  омпани€ производит семейство продуктов AGENTWARE, создающих и использующих профили интересов пользователей в виде персональных автономных нейро-агентов. “акие компактные нейро-агенты могут представл€ть пользовател€ в любом из продуктов компании. Ќапример, агенты могут служить в качестве нейро-секретарей, фильтру€ поступающую по информационным каналам информацию. ќни также могут посто€нно находитьс€ на сервере провайдера, или посылатьс€ дл€ поиска в удаленных базах данных, осуществл€€ отбор данных на месте.

е) јвтоматизаци€ производства. ќптимизаци€ режимов производственного процесса, комплексна€ диагностика качества продукции (ультразвук, оптика, гамма-излучение), мониторинг и визуализаци€ многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника.

ѕример. Ford Motors Company внедрила у себ€ нейросистему дл€ диагностики двигателей после неудачных попыток построить экспертную систему, т.к. хот€ опытный механик и может диагностировать неисправности он не в состо€нии описать алгоритм такого распознавани€. Ќа вход нейро-системы подаютс€ данные от 31 датчика. Ќейросеть обучалась различным видам неисправностей по 868 примерам.

ж) ѕолитические технологии. јнализ и обобщение социологических опросов, предсказание динамики рейтингов, вы€вление значимых факторов, объективна€ кластеризаци€ электората, визуализаци€ социальной динамики населени€.

ѕример. ”же упоминавша€с€ ранее группа Ќейро омп из  расно€рска довольно уверенно предсказывает результаты президентских выборов в —Ўј на основании анкеты из 12 вопросов. ѕричем, анализ обученной нейросети позволил вы€вить п€ть ключевых вопросов, ответы на которых формируют два главных фактора, определ€ющих успех президентской кампании.

з) Ѕезопасность и охранные системы. —истемы идентификации личности, распознавание голоса, лиц в толпе, распознавание автомобильных номеров, анализ аэро-космических снимков, мониторинг информационных потоков, обнаружение подделок.

ѕример. ћногие банки используют нейросети дл€ обнаружени€ подделок чеков.  орпораци€ Nestor (Providence, Rhode Island) установила подобную систему в Mellon Bank, что по оценкам должно сэкономить последнему $500,000 в год. Ќейросеть обнаруживает в 20 раз больше подделок, чем установленна€ до нее экспертна€ система.

и) ¬вод и обработка информации. ќбработка рукописных чеков, распознавание подписей, отпечатков пальцев и голоса. ¬вод в компьютер финансовых и налоговых документов.

ѕример. –азработанные италь€нской фирмой RES Informatica нейросетевые пакеты серии FlexRead, используютс€ дл€ распознавани€ и автоматического ввода рукописных платежных документов и налоговых деклараций. ¬ первом случае они примен€ютс€ дл€ распознавани€ не только количества товаров и их стоимости, но также и формата документа. ¬ случае налоговых деклараций распознаютс€ фискальные коды и суммы налогов.

к) √еологоразведка. јнализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.

ѕример. Ќейросети используютс€ фирмой Amoco дл€ выделени€ характерных пиков в показани€х сейсмических датчиков. Ќадежность распознавани€ пиков - 95% по каждой сейсмо-линии. ѕо сравнению с ручной обработкой скорость анализа данных увеличилась в 8 раз. [2] [3]

ќсновными интересными на практике возможност€ми нейронных сетей €вл€ютс€ следующие:

а) гибкость структуры: можно различными способами комбинировать элементы нейронной сети (нейроны и св€зи между ними). «а счЄт этого на одной Ђэлементной базеї и даже внутри Ђтелаї одного нейрокомпьютера можно создавать совершенно разные вычислительные схемы, подбирать оптимальное дл€ конкретной задачи число нейронов и слоЄв сети;

б) быстрые алгоритмы обучени€ нейронных сетей: нейронна€ сеть даже при сотн€х входных сигналов и дес€тках-сотн€х тыс€ч эталонных ситуаций может быть почти мгновенно обучена на обычном компьютере. ѕоэтому применение нейронных сетей возможно дл€ решени€ широкого круга сложных задач прогноза, классификации и диагностики;

в) возможность работы при наличии большого числа неинформативных, избыточных, шумовых входных сигналов − предварительного их отсева делать не нужно, нейронна€ сеть сама определит их малопригодность дл€ решени€ задачи и может их €вно отбросить;

г) возможность работы со скоррелированными независимыми переменными, с разнотипной информацией (измеренной в непрерывнозначных, дискретнозначных, номинальных, булевых шкалах), что часто доставл€ет затруднение методам статистики.

д) нейронна€ сеть одновременно может решать несколько задач на едином наборе входных сигналов − име€ несколько выходов, прогнозировать значени€ нескольких показателей. „асто это помогает нейронной сети построить более адекватные или более универсальные Ђвнутренниеї-промежуточные концепции (т.к. требуетс€, чтобы все эти промежуточные расчЄты были пригодны не дл€ одной, а дл€ нескольких задач сразу) и, вследствие этого, повысить точности решени€ этих задач по сравнению с решени€ми задач по отдельности;

е) алгоритмы обучени€ накладывают достаточно мало требований на структуру нейронной сети и свойства нейронов. ѕоэтому при наличии экспертных знаний или в случае специальных требований можно целенаправленно выбирать вид и свойства нейронов, собирать структуру нейронной сети вручную из отдельных элементов, и задавать дл€ каждого из них нужные характеристики или ограничени€;

ж)нейронна€ сеть может обучитьс€ решению задачи, которую человек-эксперт решает недостаточно точно (или дл€ которой вообще отсутствует эксперт). ќбученна€ сеть может быть представлена в виде €вного алгоритма решени€ задачи, например, в виде набора правил Ђесли Е, то Еї, и изучение этого алгоритма может позволить человеку получить новые знани€;

з) синтезированна€ (обученна€) нейронна€ сеть обладает устойчивостью к отказам отдельных элементов (нейронов) и линий передачи информации в ней. «а счЄт того, что навык решени€ задачи Ђразмазанї по сети, не происходит катастрофического падени€ точности решени€ при выходе из стро€ нескольких элементов системы. ћожно примен€ть и специальные методы дл€ повышени€ отказоустойчивости. Ёто бывает востребованным при аппаратных реализаци€х сетей − дл€ обеспечени€ построени€ надЄжных систем из ненадЄжных элементов;

и) высока€ потенциальна€ параллельность вычислений (например, одновременное параллельное функционирование нейронов некоторого сло€ сети) позвол€ет эффективно задействовать возможности современной вычислительной техники (от использовани€ SIMD-команд до многопоточности и многопроцессорности) − что ускор€ет процессы нейромоделировани€ и/или позвол€ет использовать синтезированные модели дл€ решени€ задач реального времени.

ќписанные возможности в основном относ€тс€ к многослойным нейронным сет€м, обучаемым алгоритмом обратного распространени€ ошибки, и растущим (конструктивным) сет€м на основе вариантов метода каскадной коррел€ции. Ќо существуют и другие типы нейронных сетей Ц нейронные сети ассоциативной пам€ти, нейронные сети дл€ квантовани€ данных, сжати€ данных путем построени€ главных независимых компонент, дл€ разделени€ смеси сигналов и другие. [4]





ѕоделитьс€ с друзь€ми:


ƒата добавлени€: 2015-11-23; ћы поможем в написании ваших работ!; просмотров: 1927 | Ќарушение авторских прав


ѕоиск на сайте:

Ћучшие изречени€:

ƒва самых важных дн€ в твоей жизни: день, когда ты по€вилс€ на свет, и день, когда пон€л, зачем. © ћарк “вен
==> читать все изречени€...

2034 - | 1889 -


© 2015-2024 lektsii.org -  онтакты - ѕоследнее добавление

√ен: 0.015 с.