Применение - нейронная сеть
Cтраница 1
Применение нейронных сетей в этой задаче показало, что статическая нелинейная система может быть обучена так, чтобы выполнять технический анализ на начальном уровне. Наш подход отличается от других, известных в этой области, тем, что мы не пытаемся оптимизировать входное множество. [1]
Наиболее типичным прикладным применением нейронных сетей является распознавание образов, т.е. анализ визуальных изображений, речи и других сигналов. Помимо этого, нейронные сети могут быть использованы для моделирования и управления различными систетемами и процессами. [2]
Известны применения нейронных сетей для решения задач оптимизации инвестиционных проектов [8.8], прогнозирования показателей бурения [8.10], моделирования процессов добычи нефти [8.22] и др. Подробно работа нейронной сети для решения задач прогнозирования рассмотрена в девятой главе. [3]
Общая идея применения нейронных сетей, использующих обучение, основана на запоминании сетью предъявленных ей примеров и выработке решений, согласованных с запомненными примерами. [4]
 |
Генетический алгоритм и нейронная сеть независимо применяются для решения одной и той же задачи. [5] |
Например, описаны независимые применения нейронных сетей, генетических алгоритмов и алгоритма KNN ближайший сосед ( К - means nearest neighbour) для решения задач классификации. В работе [40] проведено сравнение трехслойной однонаправленной нейронной сети с обучением по методу обратного распространения ошибки ( обучение с учителем), сети Кохонена с самоорганизацией ( обучение без учителя), системы классификации, основанной на генетическом алгоритме, а также алгоритма KNN ближайший сосед. Авторы работы [39] считают независимое применение этих методов для решения задачи автоматической классификации результатов ЭМГ ( электромиография - регистрация электрической активности мышц) вспомогательным объединением. [6]
Ввиду этого возможности применения стационарных нейронных сетей ( многослойных персептронов) ограничены либо распознаванием фонем, соответствующих коротким участкам сигнала, на которых не требуется нормализация длительности; либо распознаванием слов в небольших словарях, где оказывается возможным вообще не учитывать порядок следования участков сигнала во времени, а для распознавания достаточно просто набора признаков, выделенных на всей длине слова. [7]
Ввиду этого возможности применения стационарных нейронных сетей ( многослойных персептронов) ограничены либо распознаванием фонем [43], соответствующих коротким участкам сигнала, на которых не требуется нормализация длительности, либо распознаванием слов в небольших словарях [44, 45], где оказывается возможным вообще не учитывать порядок следования участков сигнала во времени, а для распознавания достаточно просто набора признаков, выделенных на всей длине слова. [8]
 |
Функции переноса искусственных нейронов. a - линейная. б - ступенчатая. в - сигмоидальная. [9] |
Тип функции переноса выбирается с учетом конкретной задачи, решаемой с применением нейронных сетей. Например, в задачах аппроксимации и классификации предпочтение отдают логистической ( сигмоидальной) кривой. Нейронная сеть представляет собой совокупность искусственных нейронов, организованных слоями. При этом выходы нейронов одного слоя соединяются с входами нейронов другого. В зависимости от топологии соединений нейронов ИНС подразделяются на одноуровневые и многоуровневые, с обратными связями и без них. Связи между слоями могут иметь различную структуру. В однолинейных сетях каждый нейрон ( узел) нижнего слоя связан с одним нейроном верхнего слоя. Если каждый нейрон нижнего слоя соединен с несколькими нейронами следующего слоя, то получается пирамидальная сеть. Воронкообразная схема соединений предполагает связь каждого узла верхнего слоя со всеми узлами нижнего уровня. Существуют также древовидные и рекуррентные сети, содержащие обратные связи с произвольной структурой межнейронных соединений. [10]
Существует другой метод исключения локальных минимумов и паралича сети, заключающийся в применении стохастических нейронных сетей. [11]
 |
Пример трехслойной нейронной сети. [12] |
Интуитивно можно предположить, что термографические - ИК испытания с их зашумленными результатами контроля могут являться хорошим объектом применения нейронных сетей. [13]
Особенно важны для практики, в частности, для финансовых приложений, задачи прогнозирования, поэтому поясним способы применения нейронных сетей в этой области более подробно. [14]
Когда речь идет о финансовом секторе, можно с уверенностью утверждать, что первые результаты, полученные при применении нейронных сетей, являются весьма обнадеживающими, и исследования в этой области нужно развивать. Как это уже было с экспертными системами, может потребоваться несколько лет, прежде чем финансовые институты достаточно уверятся в возможностях нейронных сетей и станут использовать их на полную мощность. [15]
Страницы: 1 2 3