Информационные системы в науке, образовании и бизнесе. Ефремов О.В - 22 стр.

UptoLike

ВУЗ: 

ТГТУ | Тамбов

Составители: 

Рубрика: 

2. ИНФОРМАЦИОННЫЕ СИСТЕМЫ В НАУКЕ
2.1. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ
Искусственные нейронные сети (ИНС) – вид математических моделей, которые строятся
по принципу организации и функционирования их биологических аналогов – сетей нервных
клеток (нейронов) мозга. В основе их построения лежит идея о том, что нейроны можно моде-
лировать довольно простыми автоматами (называемыми искусственными нейронами), а вся
сложность мозга, гибкость его функционирования и другие важнейшие качества определяются
связями между нейронами (scintific.narod.ru, Диканев Т.В.).
История ИНС начинается с 1943 г., когда У. Маккалок и У. Питтс предложили первую
модель нейрона и сформулировали основные положения теории функционирования челове-
ческого мозга. С тех пор теория прошла довольно большой путь, а что касается практики, то
годовой объем продаж на рынке ИНС в 1997 г. составлял 2 млрд. долл. с ежегодным прирос-
том в 50 %.
Спрашивается, зачем нужны нейронные сети. Дело в том, что существует множество за-
дач, которые трехлетний ребенок решает лучше, чем самые мощные вычислительные машины.
Рассмотрим, например задачу распознавания образов. Пусть у нас есть некоторая картинка
(дерево и кошка). Требуется понять, что на ней изображено и где. Если вы попробуете напи-
сать программу, решающую данную задачу, вам придется, последовательно перебирая отдель-
ные пиксели этой картинки, в соответствии с некоторым критерием решить, какие из них при-
надлежат дереву, какие кошке, а какие ни тому, ни другому. Сформулировать же такой крите-
рий, что такое дерево, – очень нетривиальная задача.
Рис. 9. Задача выделения и распознавания объектов на картинке
(дерево, кошка) – пример трудно алгоритмизируемой задачи
Тем ни менее мы легко распознаем деревья, и в жизни и на картинках, независимо от точки зрения и осве-
щенности. При этом мы не формулируем никаких сложных критериев. В свое время родители показали нам,
что это такое, и мы поняли. На этом примере можно сформулировать несколько принципиальных отличий в
обработке информации в мозге и в обычной вычислительной машине:
1) способность к обучению на примерах;
2) способность к обобщению, т.е. мы, не просто запомнили все примеры виденных де-
ревьев, мы создали в мозгу некоторый идеальный образ абстрактного дерева. Сравнивая с
ним любой объект, мы сможем сказать, похож он на дерево или нет;

Страницы