Uproszczony schemat jednokierunkowej sieci neuronowej. Poszczególne "kółka" oznaczają sztuczne neurony.
Sieć neuronowa (sztuczna sieć neuronowa) – ogólna nazwa struktur matematycznych oraz ich programowych albo sprzętowych modeli, realizujących obliczenia albo przetwarzanie sygnałów poprzez rzędy elementów, zwanych sztucznymi neuronami, wykonujących pewną podstawową operację na swoim wejściu. Oryginalną inspiracją takiej struktury była budowa naturalnych neuronów, łączących je synaps, oraz układów nerwowych, w szczególności mózgu.
Czasem nazwą sztuczne sieci neuronowe wyznacza się interdyscyplinarną dziedzinę wiedzy zajmującą się konstrukcją, trenowaniem oraz badaniem możliwości tego rodzaju sieci.
Typy sieci neuronowych
Aspektem wspólną wszystkich sieci neuronowych jest to, że na ich strukturę składają się neurony połączone ze sobą synapsami. Z synapsami związane są wagi, czyli wartości liczbowe, których interpretacja zależy od modelu.
Sieci jednokierunkowe
Sieci jednokierunkowe to sieci neuronowe, w których nie jest sprzężenie zwrotne, czyli pojedynczy wzorzec albo sygnał przechodzi przez każdy neuron dokładnie raz w swoim cyklu. Najprostszą siecią neuronową jest pojedynczy perceptron progowy, opracowany przez McCullocha oraz Pittsa w roku 1943.
W bardziej zaawansowanych rozwiązaniach stosuje się funkcje przejścia. Najpopularniejszą klasę funkcji stosowanych w sieciach neuronowych stanowią funkcje sigmoidalne, np. tangens hiperboliczny. Sieć zbudowana z neuronów wyposażonych w nieliniową funkcję przejścia ma zdolność nieliniowej separacji wzorców wejściowych. Jest więc uniwersalnym klasyfikatorem.
Do uczenia perceptronów wielowarstwowych stosuje się algorytmy spadku gradientowego, pomiędzy innymi algorytm propagacji wstecznej.
Sieci jednokierunkowe dzielą się na jednowarstwowe, dwuwarstwowe oraz wielowarstwowe. Sieci jednowarstwowe potrafią rozwiązać zaledwie wąską klasę problemów. Sieci dwu oraz wielowarstwowe potrafią rozwiązać wydatnie szerszą klasę oraz są pod tym względem równoważne, jednak stosuje się do nich inne algorytmy uczenia (dla wielowarstwowych są one prostsze).
Sieci rekurencyjne
Mianem sieci rekurencyjnej wyznacza się sieć, w której połączenia pomiędzy neuronami stanowią graf z cyklami. Wśród różnorodności modeli rekurencyjnych sztucznych sieci neuronowych wyróżnić można:
- sieć Hopfielda – układ gęsto połączonych ze sobą neuronów (każdy z każdym, ale bez połączeń zwrotnych) realizującą dynamikę gwarantującą zbieżność do preferowanych wzorców
- maszyna Boltzmanna – opracowana przez Geoffa Hintona oraz Terry'ego Sejnowskiego stochastyczna modyfikacja sieci Hopfielda; modyfikacja ta pozwoliła na uczenie neuronów ukrytych oraz likwidację wzorców pasożytniczych kosztem zwiększenia czasu symulacji.
Sieci Hopfielda oraz maszyny Boltzmanna stosuje się jako pamięci adresowane kontekstowo, do rozpoznawania obrazów, rozpoznawania mowy, a także do rozwiązywania problemów minimalizacji (np. problemu komiwojażera).
Samoorganizujące się mapy
-
Osobny artykuł: Sieć Kohonena.
Samoorganizujące się mapy (Self Organizing Maps, SOM), zwane też sieciami Kohonena, to sieci neuronów, z którymi są stowarzyszone współrzędne na prostej, płaszczyźnie albo w dowolnej n-wymiarowej przestrzeni.
Uczenie tego rodzaju sieci opiera się na zmianach współrzędnych neuronów, tak, by dążyły one do wzorca zgodnego ze strukturą analizowanych danych. Sieci zatem "rozpinają się" wokół zbiorów danych, dopasowując do nich swoją strukturę.
Sieci te stosowane są do klasyfikacji wzorców, np. głosek mowy ciągłej, tekstu, muzyki. Do najciekawszych zastosowań trzeba rozpinanie siatki wokół komputerowego modelu skanowanego obiektu.
Inne
Popularnymi modelami są także maszyny wektorów wspierających (SVM), sieci oparte na radialnych funkcjach bazowych (sieci radialne, RBF) oraz sieci przesyłające żetony (ang. counter-propagation neural networks). Stosunkowo nowym modelem są sieci oparte na neuronach impulsujących.
Zastosowania
|
|
W treści tej sekcji hasła są prawdopodobnie wyrażenia zwodnicze, co nie jest zgodne z zasadami przyjętymi w www.pozycjonowanie-bydgoszcz.tk. |
|
|
Ta sekcja od 2010-06 wymaga uzupełnienia źródeł podanych informacji.
Informacje nieweryfikowalne potrafią zostać zakwestionowane oraz usunięte.
Aby uczynić sekcję weryfikowalną, trzeba podać przypisy do materiałów opublikowanych w wiarygodnych źródłach.
Adnotacja: W szczególności zastosowania wedle "Magazynu Byte".. |
Współcześnie nie ma wątpliwości, że sztuczne sieci neuronowe nie stanowią dobrego modelu mózgupotrzebne źródło, choć zróżnicowane ich postaci wykazują cechy charakterystyczne dla biologicznych układów neuronowych: zdolność do uogólniania wiedzy, uaktualniania kosztem wcześniej poznanych wzorców, dawanie mylnych odpowiedzi po przepełnieniupotrzebne źródło. Mimo uproszczonej budowy sztuczne sieci neuronowe stosuje się czasem do modelowania schorzeń mózgupotrzebne źródło.
Sztuczne sieci neuronowe znajdują zastosowanie w rozpoznawaniu oraz klasyfikacji wzorców (przydzielaniu wzorcom kategorii), predykcji szeregów czasowych, analizie danych statystycznych, odszumianiu oraz kompresji obrazu oraz dźwięku oraz w zagadnieniach sterowania oraz automatyzacji.
Magazyn BYTE wymienia pomiędzy innymi następujące zastosowania tych sieci:
- diagnostyka układów elektronicznych
- badania psychiatryczne
- prognozy giełdowe
- prognozowanie sprzedaży
- poszukiwania ropy naftowej
- interpretacja badań biologicznych
- prognozy cen
- analiza badań medycznych
- planowanie remontów maszyn
- planowanie postępów w nauce
- analiza problemów produkcyjnych
- optymalizacja działalności handlowej
- analiza spektralna
- optymalizacja utylizacji odpadów
- dobór surowców
- selekcja celów śledztwa w kryminalistyce
- dobór pracowników
- sterowanie procesów przemysłowych[1].
Najpopularniejsze aktualnie zastosowanie sieci neuronowychpotrzebne źródło:
- w programach do rozpoznawania pisma (OCR)
- na lotniskach do sprawdzania, czy prześwietlony bagaż zawiera niebezpieczne ładunki
- do syntezy mowy.
W dziedzinie nauk technicznych sztuczne sieci neuronowe wykorzystuje się m.in. do[2]:
- aproksymacji, prognozowania, przewidywania danych wyjściowych na podstawie danych wejściowych bez konieczności jawnego definiowania związku pomiędzy nimi;
- klasyfikacji oraz rozpoznawania;
- kojarzenia danych – sieci neuronowe pozwalają zautomatyzować procesy wnioskowania oraz pomagają wykrywać istotne powiązania pomiędzy danymi;
- analizy danych czyli poszukiwania związków pomiędzy danymi.
Sprawdź też
Linki zewnętrzne
Przypisy
- ↑ Ryszard Tadeusiewicz: Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza RM, 1993, s. 13-14.
- ↑ Tomasz Cepowski: Badania dotyczące właściwości morskich statku (pol.). W: Prace Instytutu Nawigacji Morskiej [on-line]. Akademia Morska w Szczecinie. [dostęp 2012-04-17]., w tym: Application of statistical methods and artificial neural networks for appraximation of ship's roll in beam
