XI Международная студенческая научная конференция Студенческий научный форум - 2019

Нейронные сети - это одно из направлений научных исследовательских работ в сфере формирования искусственного разума (ИИ) основной целью которого является желание копировать нервной системы человека. В том числе процесс самообучения и её умение устранять ошибки. Все это, возможно и в некоторой степени грубо, но оно должно дать возможность смоделировать работу человеческого мозга.

Нейронные сети, или, вернее, искусственные нейронные сети, это технология, уходящая корнями в большое количество научных дисциплин: математику,нейрофизиологию, физику,технику, статистику, и компьютерные науки. Они используются в множестве различных отраслях, например, в таких какопределение образов, моделирование,обработка сигналов, анализ временных рядови регулирование благодаря такому значимому свойству как - возможности учиться на основе данных в присутствие учителя либо же без его вмешательства.

Исследования по искусственным нейронным сетям связаны с тем, что метод обработки данных человеческим мозгом сильно отличается от методов, используемых простыми цифровыми персональными компьютерами. Мозгом называется параллельный, сложный, нелинейный, компьютер. Мозгтакже может организовывать свои структурные компоненты, именуемые нейронами , таким образом, чтобы тевыполняли определенные задачи в множество раз быстрее, нежели наиболее быстродействующие инновационные компьютеры.

Развитие нейронов связано с таким понятием как пластичность мозга, то есть, способности настраивать нервную систему в соответствии с окружающими обстоятельствами. В частности пластичность представляет наиболее значимую роль в работе нейронов, которая выступает в качестве единиц обработки данных в мозге человека. Нейронная сеть как правило реализуется с помощью электронных компонентов либо формуется программой, производимой на цифровом персональном компьютере.

Что такое нейрон и для чего нужны нейронные сети?

Под нейроном следует понимать вычислительную единицу, которая приобретает данные, совершает над ней элементарные расчеты и передает её далее. В науке выделяют три основных разновидностей нейронов: скрытый, входнойи выходной.

Необходимо понимать, что нейроны оперируют числами в спектре [0,1] либо [-1,1]. В таком случае возникает вопрос, каким образом обрабатывать числа, которые не входят в этот спектр чисел? На этойстадии, наиболее простой и действенный ответ - это разделить 1 на эточисло.

Нейронные сети применяются с целью решения трудоемких задач, которымнеобходимо аналитические вычисления аналогичные тем, что выполняет человеческий мозг. Самыми популярными применениями нейронных сетей считается: 

Классификация - под термином классификация понимается распределение данных в соответствии с параметрами. К примеру, на вход предоставляется набор людей и необходимо решить, кому предоставить возможность брать кредит, а кому нет. Такую работу может выполнить нейронная сеть, беря за основутакиеданные как: платежеспособность, возраст,кредитная история и тд.

Предсказание - способностьпрогнозировать последующийход. К примеру, увеличение или снижение акций, беря за основу ситуацию на фондовом рынке.

Распознавание - в настоящее время, наиболее частое использование нейронных сетей. Применяется в Гугл, когда вы ищете фотографии или в камерах смартфонов, когда оно определяет положение вашего лица и выделяет его и многое другое.

Синапс - под этим термином следует понимать связь между двумя нейронами. У синапсов имеется 1 параметр - вес. Этот параметр дает возможность изменения входной информации, в процессе передачи от одного нейрона к другому.

Предположим, имеется 3 нейрона, которые необходимы для передачи информации следующему. В таком случае у нас имеется 3 веса, которые соответствуют каждому из этих нейронов.Нейрон, у которого вес окажется больше, та информация и станет преобладающей в следующем нейроне.

Комплекс весов нейронной сети или её матрица является своеобразныммозгом всей системы. Эти веса являются главной причиной обработки и преобразования входной информации в результат.

Применение нейронных сетей

Сфераиспользования искусственных нейронных сетей с каждым годом все большеувеличивается, и на сегодняшний день они могутприменяться в таких областях как:

Машинное обучение (machinelearning), под которым понимается разновидность искусственного интеллекта. В основе которого лежит обучение искусственному интеллекту на примере большого количество однотипных задач. В настоящее время машинное обучение стремительно внедряют такие поисковые системы как:Яндекс, Гугл, Байду, Бинг. Таким образом на основе большого количества поисковых запросов, которые все мы ежедневно вводим в Гугле или в других поисковых системах, их алгоритмы учатся предоставлять нам самуюподходящую выдачу, чтобы мы находили именно ту информацию , которую желали найти.

В роботехнике нейронные сети применяются в выработке множественных алгоритмов для железных «мозгов» роботов. 

Архитекторы компьютерных систем используют нейронные сетис целью решения проблемы параллельных вычислений.

Использование нейронных сетей дает математикамвозможностьрешенияразличных сложных математических задач.

Биологические нейронные сети

Говоря биологическим языком, нейронная сеть это нервная система человека, то есть, это та совокупность нейронов в нашем мозге, с помощью которых мы думаем, принимаем необходимые решения, воспринимаем окружающий мир.

Биологический нейрон – представляет собой специальную клетку, которая состоит из тела, ядра и отростков, и которая имеет тесную связь с тысячами иных нейронов. Посредством данной связи передаются электрохимические импульсы, которые приводят всю нейронную сеть в состояние покоя или наоборот возбуждение. К примеру, событие, которое вызывает чувства волнения и в то же время приятности породит электрохимический импульс в нейронной сети, что находится в нашей голове, которая приведет к её возбуждению. Как результат, нейронная сеть в нашем мозге передает свое возбуждение и иным органам нашего тела и повергнет к повышению сердцебиения, более частому морганию глаз и т. д.

Искусственные нейронные сети

Искусственные нейронные сетиэто вычислительные системы, которые способны к постепенному увеличению производительности и которые умеют самообучаться. Структура нейронной сети состоит из следующих компонентов:

Синапс – это соединение, применяющееся для отправки-получения данных между нейронами.

Сигнал – определенная информация, которая может быть передана.

Искусственные нейроны, под которыми понимаются простые, взаимосвязанные между собой единицы.

Типы нейронных сетей

В общем, для различных задач используются разныетипы и виды нейронных сетей, основными среди которых являются:

реккурентные нейронные сети,

нейронная сеть Хопфилда.

сверхточные нейронные сети,

Рекуррентные нейронные сети

Под реккурентными нейронными сетями понимается такие сети, соединения между нейронами которых, формируют ориентировочный цикл. Обладает такими характеристиками:

Информация в рекуррентной нейронной сети может передаватьсякак по прямой, слой за слоем, так и между самими нейронами.

Узлы подразделяются на два типа, скрытые узлы и узлы вводные.

Рекуррентные нейронные сети используются в распознавании и обработке текстовых данных (в частотности на их основе работает Гугл переводчик, алгоритм Яндекс).

Главной характерной чертой рекуррентной нейронной сети считается наличие так называемой «области внимания», то есть, когда машине устанавливают определенные фрагменты данных, которые требуют интенсивной обработки.

Нейронная сеть Хопфилда

Под нейронной сетью Хопфилда понимаетсяполносвязная нейронная сеть с симметричной матрицей связей. В процессе работы динамика таких сетей сходится к одному из положений равновесия, эти положения равновесия называются локальными минимумами функционала, именуемого энергиейсети. Подобные сетииспользуются как автоассоциативная память, фильтр, илиже для решения определенных задач оптимизации. Отличием от многих нейронных сетей, которые работают до получения ответа через определённое количество тактов, сети Хопфилда в свою очередь работают до достижения равновесия, когда последующее состояние сети в точности равнопредыдущему состоянию: начальное состояние является входным образом, а при равновесии получают выходной образ.

Сверхточные нейронные сети

Сверхточные сети считаются одними из наиболее известных видов искусственных нейронных сетей.Сверхточные нейронные сети хорошо масштабируются и применяются для определения образов, любых размеров разрешений.В данных сетях могутприменяться большие трехмерные нейроны.Нейроны соседних слоев связаны с помощью механизма пространственной локализации. Работу большого количества подобных слоев обеспечивают особые нелинейные фильтры, которые реагируют на все большее число пикселей.

Преимущества нейронных сетей

Применение нейронных сетей  обеспечивают следующие свойства системы:

Отображение входной информации в выходную:

Одним из самых распространенныхспособов обучения считается, несомненно, обучение с педагогом. Это предполагает изменение синаптических весов на основе набора маркированных учебных примеров. В составе каждого примера имеется входной сигнал и соответствующий ему желаемый отклик. Из данного множества случайным способом выбирается пример, а нейронная сеть модифицирует синаптические веса с целью минимизации расхождений желаемого выходного сигнала и формируемого сетью в соответствии установленному статистическому критерию. Прежде примененные примеры могут в дальнейшем быть использованы снова, однако, на сей раз уже в ином порядке.

Это обучение ведется вплоть до тех пор, пока изменения синаптических весов не будут незначительными. Нейронная сеть проходит процесс обучения на основе примеров, составляя таблицу соответствий вход-выход для определенной задачи.

Адаптивность: У нейронных сетей имеется такая способность как адаптация, то есть, они могут приспосабливать синаптические веса к окружающему миру и его постоянным изменениям.

Нейронные сети, которые обучены для работы в конкретной среде, при необходимости для работы в условиях небольших колебаний определенных параметров среды, могут и переучиваться.Могут быть созданы и такие нейронные сети, которые изменяют синаптические веса в реальном времени для того, что бы проводить работы в нестационарной среде.Известно, что чем выше у системы способность адаптации, тем намного более устойчивой станет ее работа в нестационарной среде.Необходимо подчеркнуть, что процесс адаптации не всегда приводит к устойчивости; в некоторых случаях она может привести к абсолютно иному результату.К примеру, адаптивная система с параметрами, которые быстро изменяются во времени, также могут достаточно быстро и реагировать на какие-либо возбуждения, что вызывает снижение производительности.Основные параметры системы должны быть гибкими, чтобы обеспечить реакцию на большие изменения среды, и в достаточной степени стабильными, чтобы можно было не учитывать внешние помехи и чтобы использовать все основные параметры адаптивности. Такая задача, как правило, называется дилеммой стабильности или пластичности.

Нелинейность: Существуют линейные и нелинейные искусственные нейроны. Нейронные сети, которые основаны на построении из соединений нелинейных нейронов, и являются нелинейными. Нелинейность считаетсянаиболеезначимым свойством, особенно если сам физический механизм, который отвечает за формирование входного сигнала, такженелинейный.

Быстротаработы: Все нейроны и каждый из них по отдельности являются микропроцессором, но так как нейронная сеть состоит из большого количества таких нейронов, перед которыми ставится ираспределяется задача, процесс решения этой задачи проходит достаточно быстро –на порядок быстрее, чем при использовании типичных алгоритмов решения. 

Недостатки нейронных сетей

Приблизительный ответ:  Нейронные сети не выдают точный ответ. Они способныдавать правильный ответ, но такой ответ, который не на многобудет отличаться от неверного ответа.

Многошаговые решения: ИИ не способенпошагово решать определенные задачи, так как каждый нейрон хоть и взаимосвязан с другими нейронами, но они являются независимыми и каждый нейрон решает свою определенную часть задачи так, как посчитает необходимым.

Вычислительные процессы:ИНСмогут решать задачи вычислительного характера. Первой проблемой, с которой сталкиваются при попытке решений вычислительных задач, - является сложность донесения до сети, именно которая часть математического выражения, к примеру, находится под квадратичным корнем, применяя только ее входы. Второй проблемой является - невозможность последовательного решения задачи. Третьей же проблемойявляется неспособность выдачи точных ответов. 

Литература:

Зенин А.В. Исследование возможностей использования нейронных сетей [Журнал]// Молодой ученый. - 2017. - №16. - С. 130-140. - URL https://moluch.ru/archive/150/42394/ (дата обращения: 25.11.2018).

Рашитов Э. Э., Стоякова К. Л., Ибраев Р. Р. Модель математической нейронной сети [Журнал]// Молодой ученый. - 2017. №15. - С. 77-81. - URL https://moluch.ru/archive/149/42296/ (дата обращения: 27.11.2018). 

Бирюков А.Н. Экспертные системы искусственного интеллекта при моделировании сложных экономических процессов [Электронный ресурс]. // Экономика и менеджмент инновационных технологий. 2017. № 9 - URL: http://ekonomika.snauka.ru/2017/09/15260 (дата обращения: 23.09.2018).

Код для цитирования: Скопировать