ки нейрокомп'ютерів і традиційних комп'ютерів наведені в таблиці 1.
Таблиця 1. Порівняльні оцінки традиційних ЕОМ і нейрокомп'ютерів.
Категорія сравненіяЕВМ традиційної архітектуриНейрокомпьютерПроцессорСложний Високошвидкісний Один або несколькоПростой Низькошвидкісний Велике колічествоПамятьОтделена від процесора Локалізована Адресація не по содержаніюІнтегрірована в процесор Розподілена Адресація по содержаніюВичісленіяЦентралізованние Послідовні Збережені программиРаспределенние Паралельні СамообученіеНадежностьВисокая уязвімостьЖівучестьСпеціалізаціяЧісленние і символьні операцііПроблеми воспріятіяСреда функціонірованіяСтрого визначена Строго ограніченаБез обмежень
. Застосування нейронних мереж
У попередньому розділі в дещо спрощеному вигляді було описано, як нейронна мережа перетворює вхідні сигнали у вихідні. Тепер виникає наступне важливе питання: як застосувати нейронну мережу до вирішення конкретного завдання?
Клас задач, які можна вирішити за допомогою нейронної мережі, визначається тим, як мережа працює і тим, як вона навчається. При роботі нейронна мережа приймає значення вхідних змінних і видає значення вихідних змінних. Таким чином, мережа можна застосовувати в ситуації, коли у Вас є певна відома інформація, і Ви хочете з неї отримати деяку поки не відому інформацію (Patterson, 1996; Fausett, 1994). Ось деякі приклади таких завдань:
Прогнозування на фондовому ринку. Знаючи ціни акцій за останній тиждень і сьогоднішнє значення індексу FTSE, спрогнозувати завтрашню ціну акцій.
Надання кредиту. Потрібно визначити, чи високий ризик надання кредиту приватному особі, яка звернулася з таким проханням. У результаті розмови з ним відомий його дохід, попередня кредитна історія і т.д.
?? правління. Потрібно визначити, що повинен робити робот (повернутися направо або наліво, рухатися вперед і т.д.), щоб досягти мети; відомо зображення, яке передає встановлена ??на роботе відеокамера.
Зрозуміло, зовсім не будь-яке завдання можна вирішити за допомогою нейронної мережі. Якщо Ви хочете визначити результати лотереї, тираж якої відбудеться через тиждень, знаючи свій розмір взуття, то навряд чи це вийде, оскільки ці речі не пов'язані один з одним. Насправді, якщо тираж проводиться чесно, то не існує такої інформації, на підставі якої можна було б передбачити результат. Багато фінансові структури вже використовують нейронні мережі або експериментують з ними з метою прогнозування ситуації на фондовому ринку, і схоже, що будь-який тренд, прогнозований за допомогою нейронних методів, всякий раз вже буває дисконтирован ринком, і тому (на жаль) це завдання Вам теж навряд чи вдасться вирішити.
Отже, ми приходимо до другого важливій умові застосування нейронних мереж: Ви повинні знати (або хоча б мати серйозні підозри), що між відомими вхідними значеннями і невідомими виходами є зв'язок. Цей зв'язок може бути перекручена шумом (так, навряд чи можна очікувати, що за даними з прикладу з прогнозуванням цін акцій можна побудувати абсолютно точний прогноз, оскільки на ціну впливають і інші фактори, не представлені у вхідному наборі даних, і крім того в задачі присутній елемент випадковості), але вона повинна існувати.
Як правило, нейронна мережа використовується тоді, коли невідомий точний вид зв'язків між входами і виходами, - якби він був відомий, то зв'язок можна було б моделювати безпосередньо. Інша суттєва особливість нейронних мереж полягає в тому, що залежність між входом і виходом знаходиться в процесі навчання мережі. Для навчання нейронних мереж застосовуються алгоритми двох типів (різні типи мереж використовують різні типи навчання): кероване ( навчання з учителем ) і не кероване ( без учителя ). Найчастіше застосовується навчання з учителем, і саме цей метод ми зараз розглянемо (про некерованому навчанні буде розказано пізніше).
Для керованого навчання мережі користувач повинен підготувати набір навчальних даних. Ці дані представляють собою приклади вхідних даних і відповідних їм виходів. Мережа вчиться встановлювати зв'язок між першими і другими. Зазвичай навчальні дані беруться з історичних відомостей. У розглянутих вище прикладах це можуть бути попередні значення цін акцій та індексу FTSE, відомості про минулі позичальниках - їх анкетні дані і те, чи успішно вони виконали свої зобов'язання, приклади положень робота і його правильної реакції.
Потім нейронна мережа навчається за допомогою того чи іншого алгоритму керованого навчання (найбільш відомим з них є метод зворотного поширення, запропонований в роботі Rumelhart et al., 1986), при якому наявні дані використовуються для коригування ваг і порогових значень мережі таким чином, щоб мі...
