XI Международная студенческая научная конференция Студенческий научный форум - 2019

В наше время, когда технологии развиваются с немыслимой скоростью, появляется потребность в системах, которые будут выполнять не четко запрограммированную последовательность действий, а самостоятельно анализировать входящую информацию, искать в ней закономерности, а также прогнозировать ее и выполнять операции с наилучшим исходом.

Для этих целей больше всего подходит структура, которая пришла из биологии – нейронная сеть. Это последовательность нейронов, соединенных между собой синапсами.

На данный момент нейронные сети получили большое распространение, и используется во многих сферах человеческой деятельности. Будь то медицина, автомобилестроение, компьютерная безопасность или повседневная жизнь. Самыми распространенными применениями нейронных сетей является:

Классификация – Распределение данных по определенным характеристикам.

Предсказание – Искусственный интеллект, основываясь на изменении среды, прогнозирует ситуацию и предсказывает дальнейшие изменения.

Распознавание – определение местоположения, личности, расы, пола человека по фото или его голоса, которое происходит на запоминании входной информации и ее анализа.

Все это возможно благодаря связям нейронов – вычислительных единиц, которые получают информацию, производят на ней простейшие вычисления и передаю дальше по цепи. Существует три основных типа нейронов:

1.Входной, на который поступает вся информация.

2. Скрытый, на котором производятся операции над первым типом.

3.Выходной, на котором выводится результат.

Каждый из типов объединяется под термином «Слой», если используется слишком большое количество нейронов. Каждая вычислительная единица имеет два основных параметра: Входные данные и выходные данные, а также оперирует числами в диапазоне от -1 до 1.

Сама связь между двумя нейронами называется синапс. Она характеризуется одним параметром – вес. Это основная характеристика всей системы, благодаря ней входная информация обрабатывается и превращается в результат.

Для получения выходного нейрона (конечного результата) необходимо ввести входную информацию – сумма всех входных данных умноженных на соответствующие им веса. После чего получаются выходные данные, которые необходимо ввести в функцию активации, способ нормализации входных данных, и передать далее по слоям. Запуская алгоритм, первый раз результат будет далек от истины, так как сеть не натренирована, для этого нужно запустить тренировочный сет. Так называется последовательность данных, которыми оперирует нейронная сеть. После каждого прохождения тренировочного сета будет увеличиваться своеобразный счетчик – итерация. На каждый исход должен быть выполнен тренировочный сет. Проход по всем исходам называется эпоха. Чем больше ее показатель, тем более натренирована нейронная сеть. Задается она вручную. Процентная величина различия между ожидаемого результата и конечного результата называется ошибка, и каждый раз она уменьшается после прохождения эпохи.