Основы нейронных сетей. Задачи нейронных сетей
libre 6167
В 80-х годах ХХ века в число известных принципов программирования вошло новое направление разработок информационных систем, которое получило название искусственных нейронных систем.
Это направление было основано на открытии одного из способов обработки информации мозгом человека, согласно которому процессы решения задач моделируются путем обучения моделей нейронов, образующих сеть.
Указанный подход иногда вспоминают под названием коннекционизма (от английского слова connection - соединение). 
Конфигурация нейронной сети настраивается на реализацию конкретного приложения с помощью процесса усвоения знаний, т.е. обучение. При этом, подобно биологическим системам, обучение предусматривает внесение изменений в характеристики синаптических соединений между нейронами.
Предусмотрено много способов классификации искусственных нейронных систем. Наиболее полезный, с практической точки зрения, классификационный признак заключается в наличии или неналичии необходимости применять для такой системы учебную совокупность данных.
Если учебная совокупность предусмотрена, то искусственная нейронная система называется основанной на контролируемой модели. В противном случае модель считается неконтролируемой.
Пример нейронной сети
Хорошим примером контролируемой искусственной нейронной системы является система, используемая для распознавания образов. В отличие от нее, в случаях, когда точно не известно какими должны быть исходные данные, искусственная нейронная система может быть применена как классификатор для группировки входных данных.
Например, распознавание больных и здоровых людей в случае обнаружения вспышек заболевания.
Классификация нейронных сетей
Нейронные сети также могут классифицироваться по следующим характеристикам:
- способа соединения нейронов;
- применение вычислений, выполняющих нейроны;
- способа передачи шаблонов активности по сети;
- способа и скорости обучения.
Нейронные сети применялись для решения практических задач всех типов. Основным преимуществом нейронных сетей является то, что они позволяют решать задачи, которые оказываются слишком сложными для обычных технологий.
Имеются в виду задачи, которые не имеют алгоритмического решения или, для которых алгоритмическое решение является очень сложным, чтобы его можно было определить аналитически. Собственно говоря, нейронные сети хорошо подходят для решения задач, которые успешно решают люди, но не могут объяснить, как они это делают.
Задачи нейронных сетей
К числу задач нейронных систем относятся задачи распознавания образов и прогнозирования событий, в частности, нахождение тенденции изменения данных. В нынешние времена искусственный интеллект на основе нейронных сетей широко используется при анализе скрытых закономерностей для выявления в исторических данных таких шаблонов, которыми можно руководствоваться в будущем.
Например, анализ скрытых закономерностей в данных может применяться в банковском учреждении для определения характеристик потенциального злоумышленника среди заемщиков. Кроме того, нейронные сети используются, как интерфейсная часть в экспертных системах, обрабатывающих большие объемы входных данных от датчиков, и от которых требуется реакция в реальном времени.
В частности, в 1980-х годах нейронная сеть, которая эксплуатировалась на обычном микрокомпьютере, позволила получить очень качественное решение задачи коммивояжера за 0,1 секунды. Этот результат намного превышал время получения оптимального решения с применением традиционной алгоритмической системы на аналогичном оборудовании, который составлял, в то, время один час.
Следует отметить, что задача коммивояжера имеет важное практическое значение, поскольку является классической задачей, которую приходится решать при маршрутизации пакетов в системе передачи данных.
Задача поиска оптимальных маршрутов является важным средством минимизации времени, поскольку от этого зависят эффективность и быстродействие, как при маршрутизации пакетов данных через Интернет, так и при доставке посылок почтой многочисленным адресатам.
