ВСТУП
Перші кроки в області штучних нейронних мереж зробили в 1943 р В.Мак-Калох (W.MCculloch) і В.Пітс (W.Pitts). Вони показали, що за допомогою порогових нейронних елементів можна реалізувати обчислення будь-яких логічних функцій. У 1957-1962 рр. Ф.Розенблатт запропонував і дослідив модель нейронної мережі, яку він назвав персептроном, результати досліджень він узагальнив у книзі Принципи нейродинаміки. У 1969р. М.Мінскі і С.Пайперт опублікували монографію Персептрони, в якій було дано математичний аналіз персептрона, і показали обмеження, властиві йому. Висновки з були досить песимістичними, і це зіграло негативну роль для подальшого розвитку досліджень в області нейронних мереж. Роботи в цій галузі були практично зупинені.
У 70-і роки з'явився ряд робіт в області асоціативної пам'яті. У 1982р. Д.Хопфілд дав аналіз стійкості нейронних мереж із зворотними зв'язками і запропонував використовувати їх для вирішення завдань оптимізації. Ряд авторів (Румельхарт, Хінтон, Вільямс) запропонували алгоритм зворотного поширення помилки, що став потужним засобом для навчання багатошарових нейронних мереж. У 1987р. під егідою IEEE (Institute of Electrical and Electronic Engineer s) проводиться перша міжнародна конференція в області нейронних мереж.
Нейрокомп'ютери ще не увійшли в наше життя. Вони знаходяться десь на півдорозі. У світі зростає кількість фірм, що вже продають вироби, звані нейрокомп'ютером. Сотні лабораторій створюють нові варіанти машин шостого покоління. Серед нейрокомп'ютерних проб важливу роль відіграють моделі нейронних мереж і програмні імітатори нейрокомп'ютерів на РС - Нейроімітатор. Вони виконують різні функції: навчальні - дозволяють познайомитися з нейронними мережами, дослідницькі - дають можливість апробувати нові алгоритми та архітектури, розважальні - являють собою цікаву інтелектуальну іграшку, нарешті, Нейроімітатор на РС стали конкурентоспроможним забезпеченням для вирішення ряду прикладних завдань.
1. ЗАСТОСУВАННЯ нейронних мереж
Нейрокомп'ютери (комп'ютери на основі нейронних мереж) або Нейроімітатор (програми, що моделюють роботу нейронних мереж не ЕОМ) мають цілу низку властивостей, привабливих з точки зору їх практичного використання:
- надвисоке швидкодія за рахунок використання масового паралелізму обробки інформації;
- толерантність до помилок - працездатність зберігається при пошкодженні значного числа нейронів;
- здатність до навчання - програмування системи замінюється навчанням;
- здатність до розпізнавання образів в умовах сильних перешкод і спотворень.
Однак, перші 2 властивості мають місце тільки при апаратній реалізації нейронних мереж. Апаратно реалізовані нейронні мережі забезпечують вирішення складних завдань за часи порядку часів спрацьовування ланцюжків електронних та/або оптичних елементів. Рішення слабо залежить від несправності окремого нейрона. Це робить їх привабливими для використання в складі бортових обчислювальних систем.
В даний час нейронні мережі застосовуються для вирішення багатьох неформалізованих або важко формалізованих завдань:
- розпізнавання і синтезу мови;
- розпізнавання аерокосмічних зображень;
- прогнозування котирування цінних паперів і курсу валют;
- попередження шахрайства з кредитними картками;
- оцінки вартості нерухомості;
- оцінки фінансового стану підприємств і ризику неповернення кредитів;
- обробки радіолокаційних сигналів;
- контролю руху на швидкісних автомагістралях і залізницях;
- діагностики в медицині;
- видобутку знань з великих обсягів даних в бізнесі, фінансах і наукових дослідженнях.
Нейронні мережі можна використовувати при наступних умовах:
- якщо задачу може вирішувати чоловік;
- якщо при вирішенні задачі можна виділити безліч вхідних факторів (сигналів, ознак, даних і т.п.) і безліч вихідних факторів;
- якщо зміни вхідних факторів призводить до зміни вихідних.
У той же час застосування нейронних мереж при вирішенні деяких завдань може виявитися ефективніше використання розуму людини. Це пояснюється тим, що людський розум орієнтований на вирішення завдань у тривимірному просторі. Багатовимірні завдання для нього характеризуються значно більшою трудомісткістю. Штучним нейронних мереж не властиво таке обмеження. Їм все одно вирішувати тривимірну або 10-мірну задачу.
...
