WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 | 4 |   ...   | 25 |

В пятидесятые и шестидесятые годы группаисследователей, объединив эти биологические и физиологические подходы, создалапервые искусственные нейронные сети. Выполненные первоначально как электронныесети, они были позднее перенесены в более гибкую среду компьютерногомоделирования, сохранившуюся и в настоящее время. Первые успехи вызвали взрывактивности и оптимизма. Минский, Розенблатт, Уидроу и другие разработали сети,состоящие из одного слоя искусственных нейронов. Часто называемыеперсептронами, они были использованы для такого широкого класса задач, какпредсказание погоды, анализ электрокардиограмм и искусственное зрение. Втечение некоторого времени казалось, что ключ к интеллекту найден ивоспроизведение человеческого мозга является лишь вопросом конструированиядостаточно большой сети.

Но эта иллюзия скоро рассеялась. Сети немогли решать задачи, внешне весьма сходные с теми, которые они успешно решали.С этих необъяснимых неудач начался период интенсивного анализа. Минский,используя точные математические методы, строго доказал ряд теорем, относящихсяк функционированию сетей.

Его исследования привели к написанию книги[4], в которой он вместе с Пайпертом доказал, что используемые в то времяоднослойные сети теоретически неспособны решить многие простые задачи, в томчисле реализовать функцию «Исключающее ИЛИ». Минский также не был оптимистиченотносительно потенциально возможного здесь прогресса:

Персептрон показал себя заслуживающимизучения, несмотря на жесткие ограничения (и даже благодаря им). У него многопривлекательных свойств: линейность, занимательная теорема об обучении,простота модели параллельных вычислений. Нет оснований полагать, что этидостоинства сохраняться при переходе к многослойным системам. Тем не менее мысчитаем важной задачей для исследования подкрепление (или опровержение) нашегоинтуитивного убеждения, что такой переход бесплоден.

Возможно, будет открыта какая-то мощнаятеорема о сходимости или найдена глубокая причина неудач дать интересную«теорему обучения» для многослойных машин ([4], с.231-232).

Блеск и строгость аргументации Минского, атакже его престиж породили огромное доверие к книге – ее выводы были неуязвимы.Разочарованные исследователи оставили поле исследований ради более обещающихобластей, а правительства перераспределили свои субсидии, и искусственныенейронные сети были забыты почти на два десятилетия.

Тем не менее несколько наиболее настойчивыхученых, таких как Кохонен, Гроссберг, Андерсон продолжили исследования. Нарядус плохим финансированием и недостаточной оценкой ряд исследователей испытывалзатруднения с публикациями. Поэтому исследования, опубликованные в семидесятыеи начале восьмидесятых годов, разбросаны в массе различных журналов, некоторыеиз которых малоизвестны. Постепенно появился теоретический фундамент, на основекоторого сегодня конструируются наиболее мощные многослойные сети. ОценкаМинского оказалась излишне пессимистичной, многие из поставленных в его книгезадач решаются сейчас сетями с помощью стандартных процедур.

За последние несколько лет теория сталаприменяться в прикладных областях и появились новые корпорации, занимающиесякоммерческим использованием этой технологии. Нарастание научной активностиносило взрывной характер. В 1987 г. было проведено четыре крупных совещания поискусственным нейронным сетям и опубликовано свыше 500 научных сообщений– феноменальнаяскорость роста.

Урок, который можно извлечь из этой истории,выражается законом Кларка, выдвинутым писателем и ученым Артуром Кларком. В немутверждается, что, если крупный уважаемый ученый говорит, что нечто может бытьвыполнено, то он (или она) почти всегда прав. Если же ученый говорит, что этоне может быть выполнено, то он (или она) почти всегда не прав. История наукиявляется летописью ошибок и частичных истин. То, что сегодня не подвергаетсясомнениям, завтра отвергается. Некритическое восприятие «фактов» независимо отих источника может парализовать научный поиск. С одной стороны, блестящаянаучная работа Минского задержала развитие искусственных нейронных сетей. Нетсомнений, однако, в том, что область пострадала вследствие необоснованногооптимизма и отсутствия достаточной теоретической базы. И возможно, что шок,вызванный книгой «Персептроны», обеспечил необходимый для созревания этойнаучной области период.

      1. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИСЕГОДНЯ

Имеется много впечатляющих демонстрацийвозможностей искусственных нейронных сетей: сеть научили превращать текст вфонетическое представление, которое затем с помощью уже иных методовпревращалось в речь [7]; другая сеть может распознавать рукописные буквы [1];сконструирована система сжатия изображений, основанная на нейронной сети [2].Все они используют сеть обратного распространения – наиболее успешный, по-видимому,из современных алгоритмов. Обратное распространение, независимо предложенное втрех различных работах [8, 5, 6,], является систематическим методом дляобучения многослойных сетей, и тем самым преодолевает ограничения, указанныеМинским.

Как подчеркивается в следующих главах,обратное распространение не свободно от проблем. Прежде всего нет гарантии, чтосеть может быть обучена за конечное время. Много усилий, израсходованных наобучение, пропадает напрасно после затрат большого количества машинноговремени. Когда это происходит, попытка обучения повторяется – без всякой уверенности, чторезультат окажется лучше. Нет также уверенности, что сеть обучится наилучшимвозможным образом. Алгоритм обучения может попасть в «ловушку» так называемоголокального минимума и будет получено худшее решение.

Разработано много других сетевых алгоритмовобучения, имеющих свои специфические преимущества. Некоторые из них обсуждаютсяв последующих главах. Следует подчеркнуть, что никакая из сегодняшних сетей неявляется панацеей, все они страдают от ограничений в своих возможностяхобучаться и вспоминать.

Мы имеем дело с областью,продемонстрировавшей свою работоспособность, имеющей уникальные потенциальныевозможности, много ограничений и множество открытых вопросов. Такая ситуациянастраивает на умеренный оптимизм. Авторы склонны публиковать свои успехи, ноне неудачи, создавая тем самым впечатление, которое может оказатьсянереалистичным. Те, кто ищет капитал, чтобы рискнуть и основать новые фирмы,должны представить убедительный проект последующего осуществления и прибыли.Существует, следовательно, опасность, что искусственные нейронные сети начнутпродавать раньше, чем придет их время, обещая функциональные возможности,которых пока невозможно достигнуть. Если это произойдет, то область в целомможет пострадать от потери кредита доверия и вернется к застойному периодусемидесятых годов. Для улучшения существующих сетей требуется многоосновательной работы. Должны быть развиты новые технологии, улучшенысуществующие методы и расширены теоретические основы, прежде чем данная областьсможет полностью реализовать свои потенциальные возможности.

      1. ПЕРСПЕКТИВЫ НА БУДУЩЕЕ

Искусственные нейронные сети предложены длязадач, простирающихся от управления боем до присмотра за ребенком.Потенциальными приложениями являются те, где человеческий интеллектмалоэффективен, а обычные вычисления трудоемки или неадекватны. Этот классприложений во всяком случае не меньше класса, обслуживаемого обычнымивычислениями, и можно предполагать, что искусственные нейронные сети займутсвое место наряду с обычными вычислениями в качестве дополнения такого жеобъема и важности.

        1. Искусственныенейронные сети и экспертные системы

В последние годы над искусственныминейронными сетями доминировали логические и символьно-операционные дисциплины.Например, широко пропагандировались экспертные системы, у которых имеется многозаметных успехов, так же, как и неудач. Кое-кто говорит, что искусственныенейронные сети заменят собой современный искусственный интеллект, но многоесвидетельствует о том, что они будут существовать, объединяясь в системах, гдекаждый подход используется для решения тех задач, с которыми он лучшесправляется.

Эта точка зрения подкрепляется тем, как людифункционируют в нашем мире. Распознавание образов отвечает за активность,требующую быстрой реакции. Так как действия совершаются быстро ибессознательно, то этот способ функционирования важен для выживания вовраждебном окружении. Вообразите только, что было бы, если бы наши предкивынуждены были обдумывать свою реакцию на прыгнувшего хищника

Когда наша система распознавания образов нев состоянии дать адекватную интерпретацию, вопрос передается в высшие отделымозга. Они могут запросить добавочную информацию и займут больше времени, нокачество полученных в результате решений может быть выше.

Можно представить себе искусственнуюсистему, подражающую такому разделению труда. Искусственная нейронная сетьреагировала бы в большинстве случаев подходящим образом на внешнюю среду. Таккак такие сети способны указывать доверительный уровень каждого решения, тосеть «знает, что она не знает» и передает данный случай для разрешенияэкспертной системе. Решения, принимаемые на этом более высоком уровне, были быконкретными и логичными, но они могут нуждаться в сборе дополнительных фактовдля получения окончательного заключения. Комбинация двух систем была бы болеемощной, чем каждая из систем в отдельности, следуя при этом высокоэффективноймодели, даваемой биологической эволюцией.

        1. Соображениянадежности

Прежде чем искусственные нейронные сетиможно будет использовать там, где поставлены на карту человеческая жизнь илиценное имущество, должны быть решены вопросы, относящиеся к ихнадежности.

Подобно людям, структуру мозга которых оникопируют, искусственные нейронные сети сохраняют в определенной меренепредсказуемость. Единственный способ точно знать выход состоит в испытаниивсех возможных входных сигналов. В большой сети такая полная проверкапрактически неосуществима и должны использоваться статистические методы дляоценки функционирования. В некоторых случаях это недопустимо. Например, чтоявляется допустимым уровнем ошибок для сети, управляющей системой космическойобороны Большинство людей скажет, любая ошибка недопустима, так как ведет когромному числу жертв и разрушений. Это отношение не меняется от тогообстоятельства, что человек в подобной ситуации также может допускатьошибки.

Проблема возникает из-за допущения полнойбезошибочности компьютеров. Так как искусственные нейронные сети иногда будутсовершать ошибки даже при правильном функционировании, то, как ощущаетсямногими, это ведет к ненадежности – качеству, которое мы считаем недопустимым для нашихмашин.

Сходная трудность заключается внеспособности традиционных искусственных нейронных сетей "объяснить", как онирешают задачу. Внутреннее представление, получающееся в результате обучения,часто настолько сложно, что его невозможно проанализировать, за исключениемсамых простых случаев. Это напоминает нашу неспособность объяснить, как мыузнаем человека, несмотря на различие в расстоянии, угле, освещении и напрошедшие годы. Экспертная система может проследить процесс своих рассуждений вобратном порядке, так что человек может проверить ее на разумность. Сообщалосьо встраивании этой способности в искусственные нейронные сети [З], что можетсущественно повлиять на приемлемость этих систем.

      1. ВЫВОДЫ

Искусственные нейронные сети являются важнымрасширением понятия вычисления. Они обещают создание автоматов, выполняющихфункции, бывшие ранее исключительной прерогативой человека. Машины могутвыполнять скучные, монотонные и опасные задания, и с развитием технологиивозникнут совершенно новые приложения.

Теория искусственных нейронных сетейразвивается стремительно, но в настоящее время она недостаточна, чтобы бытьопорой для наиболее оптимистических проектов. В ретроспективе видно, что теорияразвивалась быстрее, чем предсказывали пессимисты, но медленнее, чем надеялисьоптимисты, – типичнаяситуация. Сегодняшний взрыв интереса привлек к нейронным сетям тысячиисследователей. Резонно ожидать быстрого роста нашего понимания искусственныхнейронных сетей, ведущего к более совершенным сетевым парадигмам и множествуприкладных возможностей.

        1. Литература
  1. Burr, D. J. 1987. Experiments with a connectionist text reader. InProceedings of the First International on Neural Networks, eds. M. Caudill andC. Butler, vol. 4, pp. 717–24. San Diego, CA: SOS Printing.
  2. Cottrell, G. W., Munro P., and Zipser D., 1987. Image compressionsby backpropagation: An example of extensional programming. Advaces in cognitivescience (vol.3). Norwood, NJ: Ablex.
  3. Gallant S. I., 1988. Connectionist expert system. Communicationsof the ACM 31:152–69.
  4. Minsky M., and Papert S., 1969. Perseptrons. Cambridge, MA: MITPress. (Русский перевод: Минский М. Л., Пейперт С. Персептроны. –М. Мир. – 1971.
  5. Parker, D. В. 1982. Learning-logic. Invention Report,s. 81–64, File 1.Office of Technology Licensing, Stanford University.
  6. Rumelhart D. E., Hinton G. E., and Williams R. J. 1986. Learninginternal representations by error propagation. In Parallel distributedprocessing, vol. 1, pp. 318–62. Cambridg, MA: MIT Press.
  7. Sejnowski T. J., and Rosenberg C. R. 1987. Parallel Networks thatlearn to pronounce English text. Complex Systems 3:145–68.
  8. Werbos P. J. 1974. Beyond regression: New tools for prediction andanalysis in the behavioral sciences. Masters thesis. HarvardUniversity.
    1. Глава 1.
      Основы искусственных нейронныхсетей

Искусственные нейронные сети чрезвычайноразнообразны по своим конфигурациям. Несмотря на такое разнообразие, сетевыепарадигмы имеют много общего. В этой главе подобные вопросы затрагиваются длятого, чтобы читатель был знаком с ними к тому моменту, когда позднее они сновавстретятся в книге.

Используемые здесь обозначения и графическиепредставления были выбраны как наиболее широко используемые в настоящее время(опубликованных стандартов не имеется), они сохраняются на протяжении всейкниги.

Pages:     | 1 || 3 | 4 |   ...   | 25 |



© 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.