Использование технологии искусственных нейронных сетей
ИНС – это технология, которая охватывает параллельные, распределенные, адаптивные системы обработки информации, способные «учиться» обрабатывать информацию, действуя в информационной среде. Ее можно рассматривать как перспективную альтернативу программируемым вычислениям. Новый подход не требует готовых алгоритмов и правил обработки – система должна «уметь» вырабатывать правила и модифицировать их в процессе решения конкретных задач обработки информации. Для многих задач, где такие алгоритмы неизвестны, или же известны, но требуют значительных затрат на разработку программного обеспечения, например, при обработке зрительной и слуховой информации, распознавании образов, анализе данных, управлении, нейроинформационные технологии дают эффективные, легко и быстро реализуемые, параллельные методы решения. ИНС – это успешно развивающийся класс интеллектуальных систем, ориентированный на тиражирование опыта высококвалифицированных специалистов-экспертов в слабо формализованных областях, где качество принятия решений традиционно зависит от качества экспертизы (экономика, медицина и т.п.). С каждым годом растет уровень технического и информационного обеспечения человеческой деятельности, следствием чего является огромный объем информации, с которым приходится сталкиваться в повседневной работе специалистам различного профиля и уровня компетенции. Современный уровень информационного потока зачастую не дает возможности для наработки «опыта» – продукта длительного осмысления полученной информации. В этих условиях ключевое значение для принятия решений (выживания организации) имеет стратегическое планирование. Стратегическое планирование, как известно, является единственным способом прогнозирования будущих проблем и возможностей. Оно обеспечивает человеку, принимающему решения, средства для разработки долгосрочных планов и создает основу для принятия обоснованных решений. В то же время процедуры стратегического планирования и принятия решений, основанные на анализе окружающей среды, можно отнести к трудноформализуемым проблемным ситуациям (проблемная ситуация – осознание какого-либо противоречия в процессе деятельности, например, невозможности выполнить теоретическое или практическое задание с помощью ранее усвоенных знаний). Отчасти это объясняется тем, что как внешняя по отношению к системе, в которой функционирует человек, среда, так и присущая системе внутренняя среда характеризуются высокой степенью неопределенности, динамики и сложности. Создание и использование в повседневной практике менеджмента систем поддержки принятия решений является одним из важнейших условий успешного функционирования любой организаций. Естественно, приоритет в принятии решений принадлежит человеку, обладающему стратегическим мышлением и способностями предвосхитить появление новых событий. Однако один из недостатков человеческого интеллекта заключается в том, что он не приспособлен для выполнения большого объема вычислений в процессе анализа сложных систем, состоящих из цепочек взаимосвязей. Поэтому на эффективность принятия решений существенно влияет ограниченность возможностей человека в работе с комплексной и изменяющейся во времени информацией. Передача знаний, основанных на эвристических решениях и интуиции, которые необходимы для решения трудноформализуемых задач, в принципе очень сложна. Поэтому человеку необходимо умение использовать в своей работе системы, аккумулирующие опыт (интуицию), – экспертные системы (ЭС) на базе искусственного интеллекта (искусственный интеллект – условное обозначение кибернетических систем и их логико-математического обеспечения, предназначенных для решения задач, обычно требующих использования интеллектуальных способностей человека), т.е. интеллектуальные системы (ИС). Одним из инструментов создания подобных систем служат искусственные нейронные сети. ИНС – информационная технология, ориентированная на анализ сложных нелинейных задач, в частности, на работу с образной информацией, удельный вес которой в информационном потоке постоянно растет. Принципиальное отличие нейросетевых технологий от традиционных способов обработки информации состоит в замене строго алгоритмированного пошагового анализа данных на параллельную обработку всего массива информации и программирования на обучение. Искусственные нейронные сети применяются для идентификации и классификации информации в случае ограниченных, неполных и нелинейных источников данных. ИНС отличаются универсальностью, одна и та же программа обеспечивает возможность работы в разных областях знаний. Интеллектуальные системы на базе ИНС, в отличие от классических ЭС, основанных на жесткой логике, не нуждаются в перепрограммировании при изменении состава обучающей базы. Важность данной особенности ИНС трудно переоценить в свете постоянно увеличивающегося объема информации в уже, казалось бы, хорошо изученных областях. Все перечисленное позволяет говорить о том, что внедрение нейросетевых технологий в процесс обработки и интерпретации информации является важным и перспективным направлением. Сферы применения нейросетей: • экономика и бизнес – предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют; • медицина – обработка медицинских изображений, диагностика; • автоматизация производства – оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийных ситуаций; • политические технологии – обобщение социологических опросов; • безопасность и охранные системы – системы идентификации личности, распознавание автомобильных номеров и аэрокосмических снимков; • геологоразведка – анализ сейсмических данных, оценка ресурсов месторождений. Нейросетевые технологии предоставляют сегодня широкие возможности для решения задач прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными методами математической статистики, классификации и аппроксимации, эти технологии обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют выявлять нелинейные закономерности в сильно зашумленных неоднородных данных, дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного использования нейронных сетей в практических приложениях. По количеству реальных приложений лидируют системы интеллектуального анализа данных в бизнесе и в управлении процессами. Учитывая высокие темпы роста объемов накопленной в современных хранилищах данных информации, роль нейронных сетей трудно переоценить. По мнению специалистов, интеллектуальный анализ данных войдет в десятку важнейших информационных технологий. В последние годы началось активное внедрение нейросетевой технологии. Ее активно используют такие крупные корпорации, как American Express, Lockheed и многие другие. Естественно, в ответ на этот интерес на рынке программных средств стали появляться соответствующие инструментальные средства. Особенно широко нейросетевые технологии применяются в бизнес-приложениях маркетологами – аналитиками и руководителями компаний. Для этих категорий пользователей разрабатываются инструментальные средства высокого уровня, позволяющие решать достаточно сложные практические задачи без специальной математической подготовки. Актуальность использования нейросетей в бизнесе связана с жесткой конкуренцией, возникшей вследствие перехода от «рынка продавца» к «рынку покупателя». В этих условиях особенно важно качество и обоснованность принимаемых решений, что требует строгого количественного анализа имеющихся данных. При работе с большими объемами накапливаемой информации необходимо постоянно оперативно отслеживать динамику рынка, а это практически невозможно без автоматизации аналитической деятельности. Разнообразие, большой объем и противоречивость различной диагностической информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают методы распознавания и категоризации образов. Нейронные сети – мощный и на сегодня, пожалуй, наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена. Высокая степень параллельности, допускаемая при реализации нейросистем, обеспечивает обработку недоступных оператору объемов информации за периоды времени, меньшие или сравнимые с допустимыми периодами времени измерений. Самым главным отличием нейронных сетей от других методов, например, таких как экспертные системы, является то, что нейросети в принципе не нуждаются в заранее известной модели, а строят ее сами на основе предъявленной информации. Именно поэтому нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации, управления, иными словами, в области человеческой деятельности, где есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети.
Популярное: Как распознать напряжение: Говоря о мышечном напряжении, мы в первую очередь имеем в виду мускулы, прикрепленные к костям ... Как выбрать специалиста по управлению гостиницей: Понятно, что управление гостиницей невозможно без специальных знаний. Соответственно, важна квалификация... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (1159)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |