ВУЗ:
Составители:
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(t
1
),y(t
2
), ...,
y(t
n
)} в последовательные моменты времени t
1
, t
2
, ..., t
n
. Задача состоит в предска -
зании значения y(t
n+1
) в момент t
n+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 .
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.
Страницы
- « первая
- ‹ предыдущая
- …
- 3
- 4
- 5
- 6
- 7
- …
- следующая ›
- последняя »