Распознавание образов

Понятие, история развития теории нейронных сетей.

Нейронные сети - это обобщенное название нескольких групп алгоритмов, обладающих одним ценным свойством — они умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. При этом данные могут быть неполны, противоречивы и даже заведомо искажены. Если между входными и выходными данными существует какая-то связь, нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. В качестве научного предмета искусственные нейронные сети впервые заявили о себе в 40-е годы. Стремясь воспроизвести функции человеческого мозга, исследователи создали простые аппаратные (а позже программные) модели биологического нейрона и системы его соединений. Когда нейрофизиологи достигли более глубокого понимания нервной системы человека, эти ранние попытки стали восприниматься как весьма грубые аппроксимации. Тем не менее, на этом пути были достигнуты впечатляющие результаты, стимулировавшие дальнейшие исследования, приведшие к созданию более изощренных сетей.

Первое систематическое изучение искусственных нейронных сетей было предпринято Маккалокком и Питтсом в 1943 г. Позднее они исследовали сетевые парадигмы для распознавания изображений, подвергаемых сдвигам и поворотам. Простая нейронная модель использовалась в большей части их работы. Элемент (нейрон) умножает каждый вход х на вес w и суммирует взвешенные входы. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае – нулю. Эти системы (и множество им подобных) получили название персептронов. Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов. В 60-е годы персептроны вызвали большой интерес и оптимизм. Розенблатт доказал замечательную теорему об обучении персептронов. Уидроу дал ряд убедительных демонстраций систем персептронного типа, и исследователи во всем мире стремились изучить возможности этих систем. Первоначальная эйфория сменилась разочарованием, когда оказалось, что персептроны не способны обучиться решению ряда простых задач. Минский строго проанализировал эту проблему и показал, что имеются жесткие ограничения на то, что могут выполнять однослойные персептроны, и, следовательно, на то, чему они могут обучаться. Так как в то время методы обучения многослойных сетей не были известны, исследователи перешли в более многообещающие области, и исследования в области нейронных сетей пришли в упадок. Недавнее открытие методов обучения многослойных сетей в большей степени, чем какой-либо иной фактор, повлияло на возрождение интереса и исследовательских усилий.Работа Минского, возможно, и охладила пыл энтузиастов персептрона, но обеспечила время для необходимой консолидации и развития лежащей в основе теории. Важно отметить, что анализ Минского не был опровергнут. Он остается важным исследованием и должен изучаться, чтобы ошибки 60-х годов не повторились.

Несмотря на свои ограничения, персептроны широко изучались (хотя не слишком широко использовались). Теория персептронов является основой для многих других типов искусственных нейронных сетей, и персептроны иллюстрируют важные принципы. В силу этих причин они являются логической исходной точкой для изучения искусственных нейронных сетей.В начале 80-х годов Хопфилд разработал энергетический подход к обучению многослойного персептрона. Теоретически обосновано обучение на основе обратного распространения ошибки. С середины 80-х годов начинают использоваться нейронные сети.

2.Основные свойства мозга, которые моделируются.

- Массовый параллелизм;

- Распределенное представление информации и обработка вычислений;

- Способность к обучению и обобщению информации;

- Адаптивность к изменяющимся условиям;

- Свойство контекстуальной обработки;

- Толерантность (невосприимчивость) к ошибкам;

- Низкое энергопотребление.

Интеллектуализация информационных систем – это технология повышающая эффективность работы за счёт использования теории искусственного интеллекта.

Моделирование деятельности человека проходит по следующим направлениям:

1) Зрение. Выделяют:

a) Распознавание образов.

b) Компьютерная графика.

2) Слух и речь:

a) Распознавание речи.

b) Синтез речи.

3) Осязание: анализ тактильных образов - создание искусственной кожи.

4) Обоняние: анализ и синтез запахов.

5) Мышление – принятие решений, анализ ситуаций, прогнозирование и предсказание, диагностика различных состояний.

3.Основные области применения нейронных сетей.

Распознавание образов.

· Классификация, т. е. отнесение образа к одному из известных классов.

· Кластеризация. Происходит при обучении без учителя. Происходит формирование кластера, основанное на объективном подобии образов.

2. Аппроксимация функций. Есть обучающая выборка, которая генерируется неизвестной функцией, возможно искаженной шумом. Необходимо найти оценку этой функции. Данная функция минимизирует среднеквадратическую ошибку во входных данных.

3. Прогнозирование. Есть набор значений в последовательные моменты времени, необходимо найти (предсказать) значение в некоторый момент времени.

4. Задачи оптимизации. Оптимизация заключается в максимизации или минимизации целевой функции, которая удовлетворяет заданным ограничениям.

5. Ассоциативная память, то есть память, адресуемая по содержанию. Данная память позволяет получить информацию по неформальному описанию близкому к естественному восприятию, к примеру визуальный запрос.

6. Решение задач управления (u(t), y(t)). Необходимо в моменты времени вырабатывать такую последовательность управляющих сигналов, чтобы выходные сигналы соответствовали заданной модели.