WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 13 |

же приведен перечень возможных промышленных применений нейронных

сетей, на базе которых либо уже созданы коммерческие продукты,

либо реализованы демонстрационные прототипы [7, 10, 18, 25, 35,

45, 50].

Банки и страховые компании:

- автоматическое считывание чеков и финансовых документов;

- проверка достоверности подписей;

- оценка риска для займов;

- прогнозирование изменений экономических показателей.

Административное обслуживание:

- автоматическое считывание документов;

- автоматическое распознавание штриховых кодов.

Нефтяная и химическая промышленность:

- анализ геологической информации;

- идентификация неисправностей оборудования;

- разведка залежей минералов по данным аэрофотосъемок;

- анализ составов примесей;

- управление процессами.

Военная промышленность и аэронавтика:

- обработка звуковых сигналов (разделение, идентификация,

локализация, устранение шума, интерпретация);

- обработка радарных сигналов (распознавание целей, иденти-

фикация и локализация источников);

- обработка инфракрасных сигналов (локализация);

- обобщение информации;

- автоматическое пилотирование.

Промышленное производство:


- -

- управление манипуляторами;

- управление качеством;

- управление процессами;

- обнаружение неисправностей;

- адаптивная робототехника;

- управление голосом.

Служба безопасности:

- распознавание лиц, голосов, отпечатков пальцев.

Биомедицинская промышленность:

- анализ рентгенограмм;

- обнаружение отклонений в ЭКГ.

Телевидение и связь:

- адаптивное управление сетью связи;

- сжатие и восстановление изображения.

Представленный перечень далеко не полон. Ежемесячно западные

средства массовой информации сообщают о новых коммерческих про-

дуктах на базе нейронных сетей. Так, фирма LIAC выпускает аппара-

туру для контроля качества воды. Нейросистемы фирмы SAIC находят

пластиковые бомбы в багаже авиапассажиров. Специалисты инвестици-

онного банка Citicomp (Лондон) с помощью программного нейропакета

делают краткосрочные прогнозы колебаний курсов валют.

2.4. Способы реализации нейронных сетей

Нейронные сети могут быть реализованы двумя путями: первый -

это программная модель НС [2, 3, 15, 34], второй - аппаратная

[14, 31, 34, 45, 50]. На современном рынке изделия, основанные на

использовании механизма действия НС, первоначально появились в

виде нейроплат. В качестве типичного примера нейроплаты можно

назвать плату МВ 86232 японской фирмы Fujitsu. На плате размещены

процессор цифровой обработки сигналов и оперативная память ем-

костью 4 Мбайт, что позволяет использовать такую плату для реали-

зации НС, содержащих до тысячи нейронов. Есть и более совершенные

платы.

Основными коммерческими аппаратными изделиями на основе НС

являются и, вероятно, в ближайшее время будут оставаться нейро-

БИС. Сейчас выпускаются более 20 типов нейроБИС, параметры кото-

рых порой различаются на несколько порядков. Среди них - модель


- -

ETANN фирмы Intel. Эта БИС, выполненная по микронной технологии,

является реализацией НС с 64т нейронами и 10240 синапсами. Ее це-

на 2000 долл.

К числу самых дешевых нейроБИС (41 долл.) относится модель

MD 1220 фирмы Micro Devices. Эта БИС реализует НС с 8 нейронами и

120 синапсами.

Среди разрабатываемых в настоящее время нейроБИС выделяются

модели фирмы Adaptive Solutions (США) и Hitachi (Япония). Нейро-

БИС фирмы Adaptive Solutions, вероятно, станет одной из самых

быстродействующих: объявленная скорость обработки составляет 1,2

млрд. соединений / с. (НС содержит 64 нейрона и 262144 синапса).

НейроБИС фирмы Hitachi позволяет реализовать НС, содержащую до

576 нейронов. Эти нейроБИС, несомненно, станут основой новых ней-

рокомпьютеров и специализированных многопроцессорных изделий.

Большинство сегодняшних нейрокомпьютеров представляют собой

просто персональный компьютер или рабочую станцию, в состав кото-

рых входит дополнительная нейроплата. К их числу относятся, нап-

ример, компьютеры серии FMR фирмы Fujitsu. Такие системы имеют

бесспорное право на существование, поскольку их возможностей

вполне достаточно для разработки новых алгоритмов и решения боль-

шого числа прикладных задач методами нейроматематики. Однако наи-

больший интерес представляют специализированные нейрокомпьютеры,

непосредственно реализующие принципы НС. Типичными представителя-

ми таких систем являются компьютеры семейства Mark фирмы TRW

(первая реализация персептрона, разработанная Розенблатом, назы-

валась Mark I). Модель Mark III фирмы TRW представляют собой ра-

бочую станцию, содержащую до 15 процессоров семейства Motorola

68000 с математическими сопроцессорами. Все процессоры объединены

шиной VME. Архитектура системы, поддерживающая до 65 000 вирту-

альных процессорных элементов с более чем 1 млн. настраиваемых

соединений, позволяет обрабатывать до 450 тыс. межсоединений/с.

Mark IV - это однопроцессорный суперкомпьютер с конвейерной архи-

тектурой. Он поддерживает до 236 тыс. виртуальных процессорных

элементов, что позволяет обрабатывать до 5 млн. межсоединений/с.

Компьютеры семейства Mark имеют общую программную оболочку ANSE

(Artificial Neural System Environment), обеспечивающую программ-

ную совместимость моделей. Помимо указанных моделей фирмы TRW

предлагает также пакет Mark II - программный эмулятор НС.


- -

Другой интересной моделью является нейрокомпьютер NETSIM,

созданный фирмой Texas Instruments на базе разработок Кембридж-

ского университета. Его топология представляет собой трехмерную

решетку стандартных вычислительных узлов на базе процессоров

80188. Компьютер NETSIM используется для моделирования таких мо-

делей НС, как сеть Хопфилда - Кохонена и НС с обратным распрост-

ранением. Его производительность достигает 450 млн. межсоедине-

ний/с.

Фирма Computer Recognitiion Systems (CRS) продает серию ней-

рокомпьютеров WIZARD/CRS 1000, предназначенных для обработки ви-

деоизображений. Размер входной изображения 512 x 512 пикселей.

Модель CRS 1000 уже нашла применение в промышленных системах ав-

томатического контроля.

Сегодня на рынке представлено много моделей нейрокомпьюте-

ров. На самом деле их, видимо, гораздо больше, но наиболее мощные

и перспективные модели по-прежнему создаются по заказам военных.

К сожалению, не имея достаточной информации о моделях специально-

го назначения, трудно составить представление об истинных возмож-

ностях современных компьютеров.

ВЫВОДЫ

НС принадлежат классу коннекционистских моделей обработки

информации. Основная их черта - использовать взвешенные связи

между обрабатывающими элементами как принципиальное средство за-

поминания информации. Обработка в таких сетях ведется одновремен-

но большим числом элементов, благодаря чему они терпимы к неисп-

равностям и способны к быстрым вычислениям.

Задать НС, способную решить конкретную задачу, - это значит

определить модель нейрона, топологию связей, веса связей. Нейрон-

ные сети различаются между собой меньше всего моделями нейрона, а

в основном топологией связей и правилами определения весов или

правилами обучения, программирования.

По структуре связей сети делятся на два больших класса: од-

нослойные и многослойные. К однослойным относятся модель Хопфилда

[1, 21, 30, 42-44] и последующие разработки [38], некоторые типы

модели нейронной сети, известной под названием "машина Больцмана"

[28, 29]. Многослойная сеть имеет входной, выходной и скрытые

слои, на входной подается информация, с выходного снимается от-


- -

вет, скрытые слои участвуют в обработке [31].

В настоящее время существует два подхода к решению задачи

обучения НС решению задачи распознавания образов, оптимизации и

т.д. Один, исторически более ранний, состоит в постепенной моди-

фикации весовых коэффициентов в процессе обучения.

Подходы к обучению однослойных и многослойных сетей различ-

ны. Обучение многослойных сетей состоит в том, что на основе на-

бора примеров {входное состояние -> выходное состояние} постепен-

но подбираются веса всех связей так, чтобы каждое входное состоя-

ние вызывало соответствующее выходное. Обучающие алгоритмы предс-

тавляют собою итерационные процедуры с медленным приближением к

окончательным значениям весов связей. Этот способ впервые был ре-

ализован в персептроне Розенблата и локальных правилах обучения

на основе модели Хебба. В последующие годы этот подход получил

дальнейшее развитие в алгоритмах типа обратного распространения.

В однослойных сетях часто удается выразить веса связей через

параметры задачи (так обстоит дело с моделью Хопфилда и однослой-

ной машиной Больцмана). Подход состоит в вычислении значений си-

наптический весов на основе заданного описания функционирования

нейронной сети как "черного ящика". Если сеть должна реализовать

заданную функцию, ее рассматривают как набор элементов пороговой

логики и задача сводится к кусочно-линейной аппроксимации этой

зависимости и синтезу соответствующего автомата.

Для общего случая, когда описание поведения сети задано в

виде набора векторов возможных состояний, поиск синаптических ве-

сов сводится к решению соответствующей системы нелинейных уравне-

ний. Такое решение было впервые найдено Хопфилдом. Появление этой

работы около 10 лет назад продемонстрировало эффективность приме-

нения аналитических методов для интерпретации поведения нейронных

сетей и привело к разработке проекционного алгоритма, позволяюще-

го вычислять значения синаптических весов, сократив тем самым

затраты времени на обучение.

Исследования проекционного алгоритма показывают, что при

очевидных достоинствах ему свойственен ряд недостатков, в част-

ности склонность сети к ложным реакциям и низкая эффективность

при доучивании, когда необходимо ввести новые данные, не разрушая

информации, запомненной ранее. Кроме того, до настоящего времени

принято считать, что данный алгоритм пригоден лишь для полносвяз-


- -

ных нейронных сетей и неприменим в сетях другой архитектуры. Ука-

занные недостатки и малая изученность таких вопросов, как струк-

тура и частота появления ложных реакций, реализация итеративных

процедур доучивания и применение в неполносвязных сетях, затруд-

няет использование проекционного алгоритма в исследованиях по

нейробионике и при проектировании нейропроцессоров. Недостатком

проекционного алгоритма с точки зрения решения задачи прогнозиро-

вания является то, что при обучении необходимо с начала сформиро-

вать эталоны распознаваемых образов. В задаче прогнозирования это

либо вовсе невозможно, либо чрезвычайно затруднено. Эталоны долж-

ны формироваться в самой сети на основе анализа исторических дан-

ных.

Исходя из вышеизложенного, можно заключить, что для решения

задач прогнозирования наиболее подходит сеть с обратным распрост-

ранением. Она позволяет формальным образом обучить сеть прогнози-

ровать изменение требования на основе исторических данных о тре-

бовании.

3. ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

В данной главе описан способ прогнозирования с помощью НС,

основанный на методе окон. Также приведен обзор применения НС в

финансовой сфере.

3.1. Общий подход к прогнозированию с помощью нейронных

сетей

На НС задача прогнозирования формализуется через задачу рас-

познавания образов. Данных о прогнозируемой переменной за некото-

рый промежуток времени образуют образ, класс которого определяет-

ся значением прогнозируемой переменной в некоторый момент времени

за пределами данного промежутка т.е. значением переменной через

интервал прогнозирования. Метод окон предполагает использование

двух окон Wi и Wo с фиксированными размерами n и m соответствен-

но. Эти окна, способны перемещаться с некоторым шагом по времен-

ной последовательности исторических данных, начиная с первого

элемента, и предназначены для доступа к данным временного ряда,

причем первое окно Wi, получив такие данные, передает их на вход

нейронной сети, а второе - Wo - на выход. Получающаяся на каждом

шаге пара

Wi -> Wo (3.1)

используется как элемент обучающей выборки (распознаваемый образ,

или наблюдение).

Например, пусть есть данные о еженедельных продажах режущего

инструмента (k = 16):

100 94 90 96 91 94 95 99 95 98 100 97 99 98 96 98 (3.2)

Весь ряд смотри приложение 1. Зададим n = 4, m = 1, s = 1. С по-

мощью метода окон для нейронной сети будет сгенерирована следую-

щая обучающая выборка:

100 94 90 96 -> 91

94 90 96 91 -> 94

90 96 91 94 -> 95 (3.3)

96 91 94 95 -> 99

91 94 95 99 -> 95

и т.д.

Каждый следующий вектор получается в результате сдвига окон

Wi и Wo вправо на один элемент (s = 1). Предполагается наличие

скрытых зависимостей во временной последовательности как множест-

ве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и со-

ответственно настраивая свои коэффициенты, пытается извлечь эти

закономерности и сформировать в результате требуемую функцию

прогноза P.

Прогнозирование осуществляется по тому же принципу, что и

формирование обучающей выборки. При этом выделяются две возмож-

ности: одношаговое и многошаговое прогнозирование.

МНОГОШАГОВОЕ ПРОГНОЗИРОВАНИЕ. Используется для осуществления

долгосрочного прогноза и предназначено для определения основного

тренда и главных точек изменения тренда для некоторого промежутка

времени в будущем. При этом прогнозирующая система использует по-

лученные (выходные) данные для моментов времени k+1, k+2 и т.д. в

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.