3. ЗАДАЧИ, РЕШАЕМЫЕ ПРИ ПОМОЩИ НЕЙРОСЕТЕЙ
3.1.Классификация задач
Внастоящее время наболее употребительна следующая клас сификация задач, решаемых на основе нейросетей, составленная на основе работ Anil К. Jain из Мичиганского государственного университета и специалистов Исследовательского центра IBM Jianchang Мао и К.М. Mohiuddin.
Классификация образов. Задача состоит в определении при надлежности некого образа, представленного набором призна ков (например, изображения, или звукового сигнала) к одному или нескольким из заранее определенных классов. Такими зада чами являются, например, задачи распознавания букв, речи, биометрических сигналов, ситуаций и т.д.
Кластеризация. Эта задача иногда называется также клас сификацией образов без учителя. Считается, что имеется в на личии некая обучающая выборка с метками классов. Собственно
кластеризационный алгоритм базируется на подобии образов и относит близкие образы к одному кластеру. Кластеризацию допустимо применять при решении задач извлечения знаний, при сжатии данных или в исследовательских задачах разных предметных областей.
Аппроксимация функций. Задача близка к известной матема тической задаче раскрытия черного ящика. Имеется набор пар вход-выход, которая создана неизвестной функцией и, кроме того, изменена наложившимся шумом. Задача аппроксимации заключается в определении оценки неизвестной нам функции. Такая аппроксимация полезна при решении значительного клас са инженерных и исследовательских задач, например, при моде лировании систем.
Прогнозирование. Исходными данными к задаче является не кая последовательность значений процесса. Прогнозирование за ключается в определении значения этого процесса в некоторый
будущий момент времени. Используется в сфере принятия эконо мических решений, в области предсказания природных процессов, в медицине и технических исследовательских работах.
Оптимизация. Нейронные сети позволяют решать обычные оптимизационные задачи, то есть нахождение оптимума критерия при известных ограничениях. В большинстве случаев точность решения такой задачи при помощи нейросети будет ниже, чем при помощи специального метода, однако во многих случаях это иску пается простотой и унифицированностью алгоритмов решения. Результаты широко применяются в науке, технике и экономике.
Ассоциативная память. В модели машины, основанной на принципе фон Неймана обращение к памяти осуществляется по адресу, который никак не связан собственно с содержимым па мяти. Ассоциативная память базируется на ином принципе. Она доступна по содержанию, даже если это содержание искажено. Это делает ее чрезвычайно полезной для создания баз знаний, в том числе и мультимедийного характера.
Управление. Нейронная сеть может использоваться как систе ма управления динамическим в классическом смысле. В этом слу чае на вход сети подается вектор, соответствующий наблюдаемому состоянию управляемой системы, а выход нейросети интерпрети руется как управляющее воздействие, которое предается на объект. Обучение сети может производиться как на этапе создания систе мы управления, так и в процессе ее функционирования (некое по добие адаптивной управляющей системы).
3.2.Пример распознавания образов при помощи персептрона
Распознаванием будем считать отнесение объекта к классу объектов на основе его формального описания.
Выделяют несколько типов задач распознавания, к ним от носятся:
- Задача распознавания с учителем, то есть отнесение к од ному из заранее заданных классов.
36
-Задача разбиения множества формально описанных объ ектов на систему непересекающихся подмножеств (классов).
-Выбор информативного набора признаков для распозна вания.
Врамках технологии нейросетевого распознавания нас будет интересовать задача первого типа, то есть отнесение объекта, опи санного вектором признаков к одному из известных классов. При мером является распознавание символов алфавита при анализе сканированного текста, или принятие одного из стандартных ре шений на основе описанной вектором параметров ситуации.
Такие задачи могут решаться по-разному, в том числе и мето дами, традиционно не относящимися к сфере искусственного ин теллекта. Однако, нейросетевые технологии распознавания образов имеют важное достоинство - они достаточно эффективны и бази руются на стандартизированных несложных алгоритмах, что при водит не только к удачному решению задачи, но и к уменьшению затрат на ее моделирование и алгоритмизацию.
Рассмотрим задачу, которая заключается в слежении за ус ловной средой. Имеется устройство видеонаблюдения, которое фиксирует состояние этой среды в виде картинки (рис. 3.1):
Результат |
Картинка |
|
|
Сеть |
ТА |
Устройство Л |
Среда |
|
V |
V |
|
Рис. 3.1. Схема задачи
Целью функционирования является распознавание ситуации появления в поле наблюдения объектов крупного размера. Объек ты маленького размера (мухи, пыль, капли дождя и т.д.) не пред ставляют интереса, и их появление никак не обрабатывается. Фор ма объектов крупного размера значения не имеет, но определение, что такое крупный объект, а что такое объект мелкий, отсутствует. Например, нельзя сказать, что объект 10 см в диаметре - крупный, а 9 сантиметров - мелкий, разница между крупнотой и мелкостью
слоем составит 3642 = 72, а количество синаптических связей ме жду вторым и третьим слоем - 241 = 2. Общее число связей будет равно 74, что вполне удовлетворяет вышеприведенному условию.
4тобы это оставалось справедливым, примем тип нелиней ности нейроподобного элемента - сигмоидный.
Поучившаяся структура сети показана на рис. 3.5.
Рис. 3.5. Структура распознающей сети
Модифицируемыми являются все изображенные связи. Выборка, которая будет использоваться для обучения, состав
ляется на основе примеров картинок объектов, причем темной кле точке будет соответствовать 1, а пустой (светлой) 0. Если объект распознан как крупный, об этом сигнализирует 1 на выходе сети, если не распознан как крупный, то 0.
|
Таблица 3.1 |
X |
Y |
000000011000001000001000000000000000 |
1 |
000000000000000010000010000010000000 |
1 |
000000000000000000000000110000110000 |
1 |
000000001111000110000000000000000000 |
I |
000000000000000000000000000000000000 |
0 |
000000010000000000000000000000000000 |
0 |
000000000000000000000000000000100000 |
0 |
100000000000000001000000000000000000 |
0 |
Ниже приведен фрагмент обучающей выборки, составленный по рис. 3.3 и 3.4. клетки рисунков нумеруются слева направо и сверху вниз.