Нейронные сети

Искусственная нейронная сеть — это математическая модель, а также устройства параллельных вычислений, представляющие собой систему из соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов).

Такие процессоры обычно исключительно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах.

Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями (ИНС).

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.

Разработчикам решения на основе нейронной сети требуется: выбрать соответствующую модель сети; определить топологию сети (число элементов и их связи); указать параметры обучения.

Наиболее известным типом ИНС является персептрон. Доказано, что при нелинейной функции в нейроне могут быть подобраны коэффициенты связей так, что сеть может моделировать любую функцию. Для персептрона общепринятым является обучение методом обратного распространения ошибки. ИНС применяют при следующих классах задач: классификация данных, распознавание образов, предсказание временных рядов. Абсолютно точный ответ с помощью ИНС получить невозможно — например, бессмысленно решать таблицу умножения. Но есть задачи, нерешаемые другим путем — например предсказание курса акций (много параметров, сложные зависимости). ИНС позволит найти зависимость выходных данных (курс акции) от входных (предыдущий курс, время года и т. д.). При решении таких задач самым важным является подбор данных и их подготовка.

Области применения: Распознавание символов текста и других объектов, Распознавание речи, Управление движением транспортного средства и т. д., Классификация ситуаций, Краткосрочный прогноз.

[Материал из Википедии]