- •Технология искусственных нейронных сетей.
- •Базовые принципы технологии искусственных нейронных
- •Биологический нейрон
- •Биологическая нейронная сеть
- •Вычислительные возможности
- •Развитие теории нейросетей
- •1957 г. Фрэнк Розенблатт (Frank Rosenblatt)
- •1982 г. Теуво Кохонен (Teuvo Kohonen) Теория ассоциативной памяти
- •1990 г. Джефри Элман (Jeffrey Elman) Рекуррентные нейронные сети
- •Простая модель синаптической связи
- •Персептрон
- •. Математическая модель нейрона
- •. Передаточныенейронов функции искусственных
- •.Принципы функционирования ИНС
- •.Преимущества нейросетевого подхода
- •.Основные направления использования
- •Проблема синтеза ИНС
- •Алгоритмы обучения нейросетей
- •Свойства успешно обученных ИНС
- •Обучение «С учителем»
- •Пример №1 – Решение не найдено (градиентный метод наискорейшего спуска)
- •Пример №2 – Достигнут локальный минимум
- •Пример №3 – Достигнут глобальный минимум
- •Алгоритм обратного распространения ошибки
- •Обучение «Без учителя»
- •Пример самообучения карты Кохонена
- •Области применения ИНС
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач классификации
- •Решение задач классификации
- •Решение задач классификации
- •Другие решенные задачи с применением ИНС
- •Подробнее о технологии ИНС в геофизике
- •Интернет-сервисы на основе технологии ИНС в режиме реального времени
Пример №1 – Решение не найдено (градиентный метод наискорейшего спуска)
Путь градиентного спуска при одном и том же входе сети и числе циклов настройки, но при разном направлении вектора градиента на поверхности ошибок модельного нейрона. Координаты – среднеквадратичная ошибка обучения нейрона (MSE), его смещение (Bias) и вес (Weight). Под поверхностью показаны ее линии уровня. Стрелкой указано направление
движения вектора градиента ошибок.
Пример №2 – Достигнут локальный минимум
Путь градиентного спуска при одном и том же входе сети и числе циклов настройки, но при разном направлении вектора градиента на поверхности ошибок модельного нейрона. Координаты – среднеквадратичная ошибка обучения нейрона (MSE), его смещение (Bias) и вес (Weight). Под поверхностью показаны ее линии уровня. Стрелкой указано направление
движения вектора градиента ошибок.
Пример №3 – Достигнут глобальный минимум
Путь градиентного спуска при одном и том же входе сети и числе циклов настройки, но при разном направлении вектора градиента на поверхности ошибок модельного нейрона. Координаты – среднеквадратичная ошибка обучения нейрона (MSE), его смещение (Bias) и вес (Weight). Под поверхностью показаны ее линии уровня. Стрелкой указано направление
движения вектора градиента ошибок.
Алгоритм обратного распространения ошибки
(Error Backpropagation)
Пример
реализации: t=1+sin(p*π/4)
До начала обучения ошибка составляет:
Е = 1,409
После первого цикла обучения:
Е = 0,868
После второго цикла обучения:
Е = 0,527
Обучение «Без учителя»
Система обучается установлению принадлежности образа к одному из формально определенных классов.
Формальные признаки могут быть определены посредством простых правил типа «если… – то...».
Задачей системы является формирование обобщающих признаков в совокупности примеров. При увеличении числа примеров несущественные, случайные признаки сглаживаются, а часто встречающиеся усиливаются, при этом происходит постепенное уточнение границ категорий.
Хорошо обученная нейросетевая система способна извлекать признаки из новых примеров, ранее
неизвестных системе, и принимать на их основе приемлемые решения.
Пример самообучения карты Кохонена
Классификация |
Классификация |
объектов |
объектов |
двух сортов на 2 |
двух сортов на 4 |
класса |
класса |
Области применения ИНС
Прогнозирование и восстановление числовых рядов
Кластерный анализ
Классификация и распознавание образов
Обработка изображений
Нелинейное управление процессами
Адаптивная фильтрация
Финансовое прогнозирование
Сжатие и шифрование информации
Параллельные вычисления на суперкомпьютерах (Blue Brain Project, Blue Gene)
В настоящее время метод ИНС активно применяется в гелиогеофизике для решения
задач прогноза параметров солнечно-земных
связей и различных геофизических явлений.
Решение задач прогнозирования и восстановления рядов данных
Долгосрочное прогнозирование индексов солнечной активности
[Бархатов Н.А., Королев А.В., Пономарев С.М., Сахаров С.Ю. Долгосрочное
прогнозирование индексов солнечной активности методом искусственных
Выполненонейр н ых сетейпрогнозирование. Известия ВУЗов «Радиофизика»,среднегодовых2001, Тчисел.44, N 9,ВольфаС. 806] (W) и
среднемесячных значений потока излучения Солнца на частоте 2800 МГц (SF-индекс). Проанализировано использование рекуррентной ИНС с обратным распространением ошибки и включенной петлей обратной связи, исходящей из скрытого слоя.
При обучении ИНС и прогнозировании W принимается во внимание его предыстория, а также среднегодовые значения индекс SF и коронального индекса (CI).
Архитектура рекуррентной ИНС
Элмана
Решение задач прогнозирования и восстановления рядов данных
Объективная оценка качества прогнозирования проводится на основе вычисления величины эффективности прогнозирования (РЕ):
|
|
|
N |
|
|
2 |
|
|
|
|
|
|
T |
|
O |
|
|
|
|
PE |
|
|
1 |
|
|
|
|
|
1, 2,...N |
1 |
N |
|
|
|
100%, |
||||
|
|
|
T |
|
T |
2 |
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
1 |
|
|
|
|
|
|
Прогнозирование среднегодового числа Вольфа (W) на год вперед выполнено с эффективностью РЕ=86%
На основе выполненного исследования реализован онлайн-сервис прогнозирования числа солнечных пятен в реальном времени с использованием данных US Dept. of Commerce, NOAA, Space Weather Prediction Center [http://www.swpc.noaa.gov]. Система предоставляет краткосрочный прогноз на 4 месяца и долгосрочный прогноз на 2
года. Сервис доступен по ссылке
Решение задач прогнозирования и восстановления рядов данных
Прогнозирование индексов геомагнитной активности
[Бархатов Н.А., Беллюстин Н.С., Левитин А.Е., Сахаров С.Ю. Сравнение эффективности предсказания индекса геомагнитной активности Dst искусственными нейронными сетями // Известия ВУЗов «Радиофизика», 2000, Т. 43, No 5, С. 385]
В исследовании демонстрируется возможность нейросетевого прогнозирования индекса глобальной геомагнитной активности Dst на 1 час при учете по динамики параметров плазмы и магнитного поля солнечного ветра. Тем самым, согласно причинно- следственной закономерности, ИНС неявно моделирует физические процессы в магнитосфере Земли.
В х о д н о й |
С к р ы т ы й |
В ы х о д н о й |
с л о й |
с л о й |
н е й р о н |
ИНС прямого |
ИНС Элмана |
распространения |
|