n="justify"> Нейромережа може бути навчена розпізнавати відомі класи образів з високим ступенем точності. У той час як це представляє собою дуже цінну здатність, оскільки деякі класи мають ряд постійних ознак, за яким можна точно визначити приналежність до даного класу, мережа також має здатність використовувати ці знання для ідентифікації класів, які неточно відповідають характеристикам попередніх образів.
3.1.2 Недоліки систем розпізнавання образів на основі нейромереж
Оскільки здатність штучної нейромережі ідентифікувати клас приналежності того чи іншого образу повністю залежить від точності навчання системи, навчальні дані і використовувані методи навчання є найбільш важливими. Порядок навчання вимагає великої кількості даних з тим, щоб переконатися, що результати є статистично значущими. Однак, основна незручність застосування нейромереж для детектування вторгнення - це природа «чорного ящика» нейромережі. На відміну від експертних систем, які мають жорстко закодовані правила аналізу подій, нейромережі адаптовані на аналіз даних за результатами її навчання. Ваги і активаційні функції вузлів звичайно заморожуються після того, як мережа досягла допустимого рівня успіху в ідентифікація подій. Хоча аналіз зображень досягає досить гарного значення, базовий рівень його часто не відомий. Проблема «чорного ящика» вельми характерна для нейромережевих додатків [2].
3.1.3 Вибір критеріїв аналізу і типу використовуваної нейромережі
Терміни «нехарактерний», «невідомий», «не відповідає» слід розглядати як щось, відсутнє в попередньому досвіді. Іншими словами розробляється система повинна накопичувати певні знання про поведінку тих чи інших процесів і сигналізувати про відхилення в разі їх появи.
Найчастіше в задачах подібного роду використовуються нейронні мережі того чи іншого виду залежно від розв'язуваної задачі і точності одержуваних результатів.
Таким чином, необхідно вибрати тип використовуваної нейронної мережі або комплексу нейронних мереж.
Виділимо основні типи нейронних мереж [3]:
Односпрямовані багатошарові мережі сигмоїдальну типу.
Навчання даного виду мереж проводиться, як правило, з учителем. Іншими словами мережу налаштовується таким чином, щоб за даних входах отримувати на виході очікувані значення. З точки зору математики виконують апроксимацію стохастичною функції декількох змінних шляхом перетворення множини вхідних змінних x? RN в безліч вихідних змінних y? R M. Можуть застосовуватися для прогнозування та діагностики несправностей.
Радіальні нейронні мережі.
Ставляться до категорії мереж, яких навчають з учителем. Відрізняються деякими специфічними властивостями, що забезпечують більш просте відображення характеристик модельованого процесу.
Рекурентні мережі як асоціативні запам'ятовуючі пристрої.
Мережі зі зворотним зв'язком між різними верствами нейронів. Їх спільна риса полягає в передачі сигналів з вихідного або прихованого шару у вхідний шар. Головний принцип роботи зводиться до запам'ятовування вхідних (навчальних) вибірок таким чином, щоб при поданні нової вибірки система змогла згенерувати відповідь - яка з запомненних раніше вибірок н...
