РаЗДЕЛ 2
СИСТЕМЫ ИНФОРМАТИВНЫХ ПРИЗНАКОВ И МЕТОДЫ ИХ СРАВНЕНИЙ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
2.1. Структура распознавающих нейронных сетей и их основные свойства
Основы искусственных нейронных сетей были разработаны в 1943 году ученными
McCulloch и Pitts, которые описали естественный нейрон как абстрактный
логической пороговый элемент.
В основу модели искусственной нейронной сети положена упрощенная модель
биологической обработки информации.
Здесь нейроны абстрагируются как устройства обработки информации, которые
состоят из простого вычислителя с локальной памятью. Искусственная нейронная
сеть состоит из многих очень простых, но всегда активных элементов, которые
параллельно выполняют идентичные рутинные операции обработки информации. Хотя
внутри нейронной сети обработка идет асинхронно, эта сеть наиболее лучше
подходит к SIMD-модели [95,96]. Действительно, если все нейроны выполняют
одинаковые операции над своими локальными данными и асинхронность не является
условием функционирования, то SIMD-системы наилучшим образом подходят для
моделирования нейронных сетей. Рассмотрим основные свойства существующих
нейронных сетей:
- большое количество нейронов со входными и выходными линиями связи;
- постоянная, проблемно-ориентованная структура связи (переключения) нейронов,
которая по большей части иерархическая, но необязательно регулярная;
- связи имеют вес и могут быть или стимулирующими, или сдерживающими;
- каждый нейрон постоянно считывает значения параметров на входе и, согласно со
созначениями весовых функций линий связи, применяет свою передаточную функцию.
В самом простом случае активизации мы будем иметь дело с идентичностью или
тождественностью;
- при активизации нейрона используется, как правило, некоторое локальное
пороговое значение;
- выходная величина нейрона передается для ввода в другие нейроны через линии
связи, которые имеют свое значение весовой функции;
- нейроны часто объединяют в прослойки, причем связи существуют только между
соседними прослойками.
Значение выходной функции нейрона зависит от его активизации, которая в самом
простом случае соответствует сумме величин весов всех входных величин. В
зависимости от выходных функций нейронной сети присущи разнообразные
конвергентные свойства, которые используются в разных методах обучения сетей.
Преимущества нейронных сетей :
- способность к обучению, нейронные сети могут усвоить характерные свойства
обучающих образов;
- обобщение; информация, которая получена из обучающих образов и результатов
обучения, может быть обобщена и распространена на входах сети;
- толерантность к ошибкам; выход из строя или появление ошибочных данных одного
нейрона не приводит к непригодности всей сети, а результат ее работы лишь
постепенно ухудшается;
- нечуствительность к шумам; если существенные характеристики входного образа
не очень искажены шумами или другими помехами, то нейрон продолжает верно
различать входную информацию.
Методы обучения не гарантируют 100% показатель успеха; в реальных условиях
применения нейронных сетей после интенсивной фазы обучения показатель
распознавания не всегда достигает 100%. Остается определенный фактор
ненадежности, который в некоторых прикладных отраслях может стать пропускным
барьером в применении нейронных сетей.
Недостатки нейронных сетей :
- невозможен анализ изученных критериев классификации; верификация информации,
усвоенной нейронной сетью, то есть анализ того, какие характеристики
используются для классификации, невозможна. Это связано с тем, что информация,
которая запоминается в числовых значениях связей, не может быть объяснена
семантически;
- обучение возможно только способом тренажа. Из этого следует, что нужно
готовить соответствующие обучающие данные; другие, непосредственные
информационные задания, ввести невозможно;
- методы обучения нуждаются в больших расходах времени. Большинство методов
обучения нуждается в многократном повторении циклов обучения, чтобы
адаптировать сеть на распознавание желаемых входных данных;
- сети могут применяться только в специальных классах проблем. Большинство
нейронных сетей используется для задач классификации;
- нет универсальной нейронной сети.
Поскольку не существует универсальной нейронной сети для решения общих проблем,
то для каждой проблемы нужно разрабатывать свою нейронную сеть. Разработка сети
на заказ, выбор структуры уровней, линий связи между нейронами, выбор начальных
величин веса связей, выходных функций и соответствующих им пороговых констант,
а также выбор пригодных методов обучения с соответствующими обучающими данными,
все это должно решаться самим разработчиком. Следовательно, такая разработка
проводится как некоторое метапрограммирование.
Нейросетевые методы - это методы, которые базируются на использовании разных
типов нейронных сетей (НС). Основные направления использования разных видов НС
для распознавания образов и изображений можна разделить следующим образом:
- для получения ключевых характеристик или признаков заданных образов;
- для классификации самих образов или уже полученных их характеристик (в первом
случае получение ключевых характеристик происходит неявно внутри сети).
Структура искусственных НС имеет некоторое сходство с естественными нейронными
сетями. НС, которые предназначены для решения разных задач, могут существенно
отличаться алгоритмами функционирования [32-34].
НС состоит из элементов, так называемых формальных нейронов, которые сами по
себе очень просты и связаны с другими нейронами. Каждый нейрон превращает набор
сигналов, которые поступают к нему на вход, в выходной сигнал. Именно связи
между нейронами, кодируемые весовыми коэффициентами
- Київ+380960830922