Искусственные нейронные сети. Каширина И.Л. - 5 стр.

                                      5
    В 1997 г. годовой объем продаж на рынке ИНС и НК превысил 2 млрд. дол-
ларов, а ежегодный прирост составил 50%.
    В 2000 г. благодаря переходу на субмикронные и нанотехнологии, а также
успехам молекулярной и биомолекулярной технологии происходит переход к
принципиально новым архитектурным и технологическим решениям по созданию
нейрокомпьютеров.

       Основные проблемы, решаемые искусственными нейронными сетями

      Классификация образов. Задача состоит в указании принадлежности входно-
го образа, представленного вектором признаков, одному или нескольким предва-
рительно определенным классам. К известным приложениям относятся распозна-
вание букв, распознавание речи, классификация сигнала электрокардиограммы,
классификация клеток крови, задачи рейтингования.
      Кластеризация/категоризация. При решении задачи кластеризации, которая
известна также как классификация образов без учителя, отсутствует обучающая
выборка с образцами классов. Алгоритм кластеризации основан на подобии обра-
зов и размещает близкие образы в один кластер. Известны случаи применения
кластеризации для извлечения знаний, сжатия данных и исследования свойств
данных.
      Аппроксимация функций. Предположим, что имеется обучающая выборка
((X1, Y2), (X2, Y2), ..., (XN, YN)), которая генерируется неизвестной функцией,
искаженной шумом. Задача аппроксимации состоит в нахождении оценки этой
функции.
      Предсказание/прогноз. Пусть заданы N дискретных отсчетов {y(t1),y(t2), ...,
y(tn)} в последовательные моменты времени t1, t2, ..., tn. Задача состоит в предска-
зании значения y(tn+1) в момент tn+1. Прогнозы имеют значительное влияние на
принятие решений в бизнесе, науке и технике.
      Оптимизация. Многочисленные проблемы в математике, статистике, техни-
ке, науке, медицине и экономике могут рассматриваться как проблемы оптимиза-
ции. Задачей оптимизации является нахождение решения, которое удовлетворяет
системе ограничений и максимизирует или минимизирует целевую функцию.
      Каким образом нейронная сеть решает все эти, часто неформализуемые или
трудно формализуемые задачи? Как известно, для решения таких задач традици-
онно применяются два основных подхода. Первый, основанный на правилах (rule-
based), характерен для экспертных систем. Он базируется на описании предмет-
ной области в виде набора правил (аксиом) «если ..., то ...» и правил вывода. Ис-
комое знание представляется в этом случае теоремой, истинность которой дока-
зывается посредством построения цепочки вывода. При этом подходе, однако, не-
обходимо заранее знать весь набор закономерностей, описывающих предметную
область. При использовании другого подхода, основанного на примерах (case-
based), надо лишь иметь достаточное количество примеров для настройки адап-
тивной системы с заданной степенью достоверности. Нейронные сети представ-
ляют собой классический пример такого подхода.