X Международная студенческая научная конференция Студенческий научный форум - 2018

Моделирование представляет собой замещение исследуемого объекта (оригинала) его условным образом, описанием или другим объектом, именуемым моделью и обеспечивающим близкое к оригиналу поведение в рамках некоторых допущений и приемлемых погрешностей. Моделирование выполняется с целью познания свойств оригинала путем исследования его модели, а не самого объекта.

Под моделью понимается физический или абстрактный объект, свойства которого в определенном смысле сходны со свойствами исследуемого объекта. При этом требования к модели определяются решаемой задачей и имеющимися средствами. Существует ряд общих требований к моделям:

– адекватность – достаточно точное отображение свойств объекта;

– полнота – предоставление получателю всей необходимой информации об объекте;

– гибкость – возможность воспроизведения различных ситуаций во всем диапазоне изменения условий и параметров;

– трудоемкость разработки должна быть приемлемой для имеющегося времени и программных средств.

Моделирование – это процесс построения модели объекта и исследования его свойств путем исследования модели. Таким образом, моделирование предполагает 2 основных этапа: разработка модели, исследование модели и получение выводов.

При этом на каждом из этапов решаются разные задачи и используются отличающиеся по сути методы и средства. Действительная польза от моделирования может быть получена только при соблюдении двух условий: модель обеспечивает корректное (адекватное) отображение свойств оригинала, существенных с точки зрения исследуемой операции; модель позволяет устранить перечисленные выше проблемы, присущие проведению исследований на реальных объектах.

Нейронная сеть представляет собой сочетание нейронных элементов и связей между ними. Формальный нейрон является основным элементов сети и осуществляет операцию нелинейного преобразования суммы произведений весовых коэффициентов на входные сигналы.

Модель нейрона представлена на рисунке 1. В модели выделяют три основных элемента.

Набор связей (синапсов), которые характеризуется своими весами. На вес умножается сигнал , который поступает на вход синапса , который связан с нейроном . Веса могут иметь положительные или отрицательные значения;

Сумматор выполняет сложение входных сигналов, которые взвешены относительно соответствующих связей нейрона;

Амплитуда выходного сигнала ограничивается функцией активации. Нормализованный диапазон лежит в интервале [0,1] или [-1,1].

Рисунок 1 – Модель нейрона

На модели представлен пороговый элемент, обозначенный символом. Данная величина показывает уменьшение или увеличение входного сигнала, который подается на функцию активации. Функционирование нейрона k описывается как:

(1)

(2)

где – входные сигналы;

– синаптические веса нейрона ;

– линейная комбинация входных воздействий;

– порог;

– функция активации;

– выходной сигнал нейрона.

Важное свойство нейронных сетей – способность обучаться. Они обучаются на основе данных окружающей среды и в результате этого процесса повышают свою производительность. Процесс обучения заключается в корректировки синаптических весов и порогов.

Обучение – процесс настройки свободных параметров нейронной сети с помощью моделирования среды, в которую эта сеть встроена. Способ подстройки этих параметров определяет тип обучения.

Исходя из этого определения, можно составить последовательность процесса обучения: из внешней среды в нейронную сеть подаются стимулы, в результате чего меняются свободные параметры нейронной сети, изменив внутреннюю структуру, нейронная сеть отвечает на возбуждения уже другим образом.

Перечисленные шаги называются алгоритмом обучения. Не существует универсального алгоритма обучения. Алгоритмы отличаются тем, как они настраивают синаптические веса нейронов.

Преимущество нейронных сетей заключается в распараллеливание информации и способности самообучаться, то есть получать обоснованный результат на основании данных, которых не было в обучающем множестве. У нейронных сетей выделяют несколько основных преимуществ.

Нейронные сети могут быть нелинейными. Нелинейность – важное свойство, которое позволяет воспроизводить сложные зависимости, когда сам физический механизм, который отвечает за формирование входного сигнала – нелинейный. Также эта нелинейность особая, так как она распределена по сети. Также нейронные сети избавлены от «проклятья размерности», из-за которого невозможно выполнять моделирование линейных зависимостей от большого числа переменных.

Нейронные сети адаптируют свои синаптические веса к изменениям окружающей среды. Нейронные сети, которые обучены действовать в определенной среде, можно переучить для работы в условиях, когда колебания параметров среды незначительны.

Нейронные сети потенциально отказоустойчивы. Если условия неблагоприятны, то производительность сетей снижается незначительно. При повреждении какого-либо нейрона или его связи процесс извлечения запомненной информации осложняется, но, так как хранение информации в нейронной сети имеет распределенный характер, можно утверждать, что только при серьезных повреждениях структуры нейронной сети может существенно ухудшиться ее работоспособность. Для гарантии отказоустойчивости в алгоритмы обучения закладывают соответствующие поправки.

Нейронные сети – это универсальный механизм, обрабатывающий информацию. Одно и то же проектное решение можно использовать во многих предметных областях. Данное свойство проявляется следующими способами. Нейроны – это стандартные составные части любой нейронной сети. Благодаря этой обобщенности, одни и те же теории и алгоритмы обучения используют в различных нейросетевых приложениях. Модульные сети можно построить на основе интеграции целых модулей.

Также к достоинствам нейронных сетей относят отображение входной информации в выходную, очевидность ответа, масштабируемость.

К основным недостаткам нейронных сетей причисляют неоднозначность выбора структуры и алгоритма сети. Нельзя заранее сказать, при каком количестве слоев и нейронах сеть будет показывать наиболее эффективную работу. Также не каждый алгоритм обучения может подойти под конкретную задачу и структуру нейронной сети.

Список использованных источников:

1. Э.Е. Тихонов. Методы прогнозирования в условиях рынка: учебное пособие. - Невинномысск, 2006. — 221 с.

2. Хайкин С. Нейронные сети: полный курс. М.: ООО «И. Д. Вильямс», 2006. — 1104 с.

3. Волкова В.Н., Горелова Г.В., Козлов В.Н. Моделирование систем и процессов: учебник для акад. бакалавриата. – Юрайт, 2016. — 596 с.

Код для цитирования: Скопировать