/b>
Одним з напрямів подальшого вдосконалення алгоритмів обробки даних ДЗ є використання штучних нейронних мереж, що мають здатність реалізувати широкий клас функцій без апріорних припущень про закони їх розподілу. На основі їх навчання може бути забезпечено більш точне і оперативне отримання шуканих параметрів у реальному масштабі часу. Розробка ефективних алгоритмів, заснованих на штучних нейронних мережах, для виконання завдань подібного класу представляє собою актуальну проблему даного дослідження.
2.1 Нейронні мережі та їх застосування
Нервова система і мозок людини складаються з нейронів, з'єднаних між собою нервовими волокнами. Нервові волокна здатні передавати електричні імпульси між нейронами. Всі процеси передачі подразнень від нашої шкіри, вух і очей до мозку, процеси мислення та управління діями - все це реалізовано в живій організмі як передача електричних імпульсів між нейронами. Розглянемо будова біологічного нейрона. Кожен нейрон має відростки нервових волокон двох типів - дендрити, по яких приймаються імпульси, і єдиний аксон, по якому нейрон може передавати імпульс. Аксон контактує з дендритами інших нейронів через спеціальні освіти - синапси, які впливають на силу імпульсу.
В
Рис. 1. Біологічна нейронна мережа
Можна вважати, що при проходженні синапсу сила імпульсу змінюється в певний число разів, яке ми будемо називати вагою синапсу. Імпульси, що надійшли до нейрона одночасно по декількох дендрита, підсумовуються. Якщо сумарний імпульс перевищує деякий поріг, нейрон збуджується, формує власний імпульс і передає його далі по аксону. Важливо відзначити, що ваги синапсів можуть змінюватися з часом, а значить, змінюється і поведінка відповідного нейрона.
Неважко побудувати математичну модель описаного процесу.
В
Рис. 2. Схемне зображення обробки сигналу нейроном
На малюнку зображена модель нейрона з трьома входами (дендритами), причому синапси цих дендритів мають ваги w 1 , w 2 , w 3 . Нехай до синапсам надходять імпульси сили x 1 , x 2 , x 3 відповідно, тоді після проходження синапсів і дендритів до нейрона надходять імпульси w 1 x 1 , w 2 x 2 , w 3 x < sub> 3 . Нейрон перетворить отриманий сумарний імпульс x = w 1 x 1 + w 2 x 2 + w 3 x 3 відповідно до деякої передавальної функцією f (x). Сила вихідного імпульсу дорівнює y = f (x) = f (w 1 x 1 + w 2 x 2 + w 3 x 3 ). Таким чином, нейрон повністю описується своїми вагами w k і передавальної функцією f (x). Одержавши набір чисел (вектор) x k в якості входів, нейрон видає деяке число y на виході.
Як працює нейронна мережа
Штучна нейронна мережа ( ІНС, нейронна мережа ) - це набір нейронів, з'єднаних між собою. Як правило, передавальні функції всіх нейронів у нейронної мережі фіксовані, а ваги є параметрами нейронної мережі і можуть змінюватися. Деякі входи нейронів позначені як зовнішні входи нейронної мережі, а деякі виходи - як зовнішні виходи нейронної мережі. Подаючи будь-які числа на входи нейронної мережі, ми отримуємо якийсь набір чисел на виходах нейронної мережі. Таким чином, робота нейронної мережі полягає в перетворенні вхідного вектора у вихідний вектор, причому це перетворення задається вагами нейронної мережі.
Біологічна еволюція, що привела до настільки ефективним рішенням, йшла по шляху від образів до логіки. Так і людина після народження спочатку вчиться розпізнавати образи, а тільки потім набуває вміння міркувати логічно і будувати алгоритми. Комп'ютери ж, навпаки, почавши з логіки, лише через кілька десятиліть освоюють розпізнавання образів за рахунок створення спеціальних програм для комп'ютерів традиційної архітектури або завдяки створенню спеціалізованих апаратних нейропроцесор_в.
Штучні нейронні мережі, подібно біологічним, є обчислювальної системою з величезним числом паралельно функціонуючих простих процесорів з безліччю зв'язків. Незважаючи на те що при побудові таких мереж зазвичай робиться ряд припущень і значних спрощень, що відрізняють їх від біологічних аналогів, штучні нейронні мережі демонструють дивовижне число властивостей, притаманних мозку, - це навчання на основі досвіду, узагальнення, витяг істотних даних з надлишкової інформації.
Нейронні мережі можуть змінювати свою поведінку залежно від стану навколишнього їх середовища. Після аналізу вхідних сигналів (можливо, разом з необхідними вихідними сигналами) вони самоналагоджувальна і навчаються, щоб забезпечити правильну реакцію. Навчена мережа може бути стійкої до деяких відхилень вхідних даних, що ...
