🗊Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования «Сибирс

Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования «Сибирский государственный индустриальный университет» «НЕЙРОСЕТИ» ПРЕЗЕНТАЦИЯ Выполнил: ст.гр. ЭУК-07 Афанасьева Т.С. Проверил: Новокрещин Б.Г.

ВВЕДЕНИЕ Теория нейронных сетей включают широкий круг вопросов из разных областей науки: биофизики, математики, информатики, схемотехники и технологии. Поэтому понятие "нейронные сети" детально определить сложно. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия. Обычно НС оперирует цифровыми, а не символьными величинами. Большинство моделей НС требуют обучения. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п.

ЗНАНИЕ Нейросети - 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, и при попытке смоделировать эти процессы.

ПОНИМАНИЕ Существует множество трактовок понимания НС. Вот некоторые из них: С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, НС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения естественного интеллекта с помощью компьютерных алгоритмов.

ПРИМЕНЕНИЕ В каждой предметной области при ближайшем рассмотрении можно найти постановки нейросетевых задач. Экономика и бизнес: предсказание рынков, оценка риска невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости. Медицина: обработка медицинских изображений, мониторинг состояния пациентов, диагностика, факторный анализ эффективности лечения, очистка показаний приборов от шумов. Связь: сжатие видео-информации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов. Интернет: ассоциативный поиск информации, электронные секретари и агенты пользователя в сети. Безопасность и охранные системы: системы идентификации личности, распознавание голоса, лиц в толпе. Нейросети - это не что иное, как новый инструмент анализа данных. И лучше других им может воспользоваться именно специалист в своей предметной области.

АНАЛИЗ Тип используемой нейросети во много диктуется поставленной задачей. Так, для задачи классификации удобными могут оказаться многослойный персептрон и сеть Липпмана-Хемминга. Персептрон также применим и для задач идентификации систем и прогноза. При решении задач категоризации потребуются карта Кохонена, архитектура встречного распространения или сеть с адаптивным резонансом. Задачи нейроматематики обычно решаются с использованием различных модификаций модели Хопфилда. Лучше использовать те архитектуры, свойства которых вам наиболее знакомы, так как это упростит интерпретацию результатов. На выбор может повлиять наличие или отсутствие в вашем распоряжении соответствующих программ.

СИНТЕЗ Современные НС обладают рядом ценных свойств: Обучаемость – можно обучить сеть решению задач, которые ей по силам; Способность к обобщению – после обучения сеть становится нечувствительной к малым изменениям входных сигналов; Способность к абстрагированию – сеть сама может создать на выходе идеальный образ, с которым никогда не встречалась.

ОЦЕНКА Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс — восстановление исходного набора данных из части информации — называется (авто)ассоциативной памятью.

ЗАКЛЮЧЕНИЕ Синтез различных методов и идей в едином нейросетевом подходе является неоценимым достоинством нейрокомпьютинга. Нейрокомпьютинг предоставляет единую методологию решения очень широкого круга практически интересных задач. Это, как правило, ускоряет и удешевляет разработку приложений. Очень полезно представить ожидаемый результат работы нейросети и способ его дальнейшего использования. Во многих случаях это приводит к упрощению постановки, и, как следствие, к более эффективному решению. Если же полученные результаты не будут соответствовать вашим ожиданиям, то это - важная причина более фундаментально подойти к задаче.