Компьютер с архитектурой фон Неймана по сравнению с нейронной сетью

**	компьютер	нейронная сеть
Процессор	Сложный Высокоскоростной Один или несколько	Простой Низкоскоростной Большое количество
Память	Отдельно от процессора Локализированная Адресация по адресу	в процессоре Распределенная Адресация по смыслу
Обчислення	Централизованные Последовательные Сохраненные программы	Распределенные Параллельные Самообучение
Надежность	Уязвимость	Живучесть
Специализация	Числовые операции	Проблемы восприятия
Среда функционирования	Строго вызначеное Строго ограниченное	Плохо вызначенное Без ограничений
Функции	Логично, через правила, концепции, вычисления	Через изображения, рисунки, управление
Метод обучения	По правилам	По примерам
Применение	Числовая обработка информации	Распознавание языка, распознавание образов, распознавание текстов

Применение нейросетей для решения практических задач

Классификация образов. Задача состоит в определении принадлежности входного образа (например, языкового сигнала или рукописного символа), представленного вектором признаков к одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание языка, классификация сигнала электрокардиограммы, классификация клеток крови.

Кластеризация/категоризация. При решении задачи кластеризации, обучающее множество не имеет меток классов. Алгоритм кластеризации основан на подобии образов и помещает похожие образы в один кластер. Известны случаи применения кластеризации для добычи знаний, сжатия данных и исследования свойств данных.

Аппроксимация функций. Предположим, что есть обучающая выборка ((x1,y1), (x2,y2)..., (xn,yn)) (пары данных вход-выход), которая генерируется неизвестной функцией F, искаженной шумом. Задача аппроксимации состоит в нахождении неизвестной функции F. Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.

Предвидение/прогноз. Пусть заданы n дискретных отсчетов {y(t1), y(t2), ..., y(tn)} в последовательные моменты времени t1, t2,..., tn . Задача состоит в предвидении значения y(tn+1) в следующий момент времени tn+1. Предвидение/прогноз имеют большое значение для принятия решений в бизнесе, науке и технике (предвидение цен на фондовой бирже, прогноз погоды).

Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

Память, адресуемая по смыслу. В традиционных компьютерах обращение к памяти доступно только с помощью адреса, не зависящего от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найденная совсем другая информация. Ассоциативная память или память адресуемая по смыслу, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или поврежденном содержании. Ассоциативная память может быть использована в мультимедийних информационных базах данных.

Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) - входное управляющее воздействие, а y(t) - выход системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система действует по желательной траектории, заданной эталонной моделью. Примером является оптимальное управление двигателем.

Но, несмотря на преимущества нейронных мереж в отдельных областях над традиционными вычислениями, существующие нейросети не являются совершенными решениями. Они обучаются и могут делать "ошибки". Кроме того, нельзя гарантировать, что разработанная сеть будет оптимальной сетью. Применение нейросетей требует от разработчика выполнения ряда условий:

• множество данных, содержащих информацию, что характеризует проблему;

• соответственно установленное по размерам множество данных для обучения и тестирования сети;

• понимание базовой природы решаемой проблемы;

• выбор функции сумматора, передаточной функции и методов обучения;

• понимание инструментальных средств разработчика;

• соответствующая мощность обработки.

Новые возможности вычислений требует умений разработчика вне границ традиционных вычислений. Сначала, вычисления были лишь аппаратными и инженеры сделали его работающими. Потом, были специалисты по программному обеспечению: программисты, системные инженеры, специалисты по базам данных и проектировщики. Теперь появились нейронные архитекторы. Новый профессионал должен иметь квалификацию, выше чем у предшественников. Например, он должен знать статистику для выбора и оценивания обучающих и тестовых множеств.

При создании эффективных нейросетей, важным для современных инженеров программного обеспечения является логическое мышление, эмпирическое умение и интуиция.

Интеллектуальные системы на основе искусственных нейронных сетей позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Традиционные подходы к решению этих проблем не всегда дают необходимую гибкость и много приложений выигывают от использования нейросетей.

Искусственные нейросети являются электронными моделями нейронной структуры мозга, который, главным образом, учится на опыте. Естественной аналог доказывает, что множество проблем, не поддающиеся решению традиционными компьютерами, могут быть эффективно решены с помощью нейросетей.

Продолжительный период эволюции придал мозгу человека много качеств, отсутствующих в современных компьютерах с архитектурой фон Неймана. К ним относятся:

• распределенное представление информации и параллельные вычисления

• способность к обучению и обобщению

• адаптивность

• толерантность к ошибкам

• низкое энергопотребление

Приборы, построенные на принципах биологических нейронов, имеют перечисленные характеристики, которые можно считать существенным достижением в индустрии обработки данных.

Достижение в области нейрофизиологии дают начальное понимание механизма естественного мышления, где хранение информации происходит в виде сложных образов. Процесс хранения информации как образов, использование образов и решение поставленной проблемы определяют новую область в обработке данных, которая, не используя традиционного программирования, обеспечивает создание параллельных сетей и их обучение. В лексиконе разработчиков и пользователей нейросетей присутствуют слова, отличные от традиционной обработки данных, в частности, "вести себя", "реагировать", "самоорганизовывать", "обучать", "обобщать" и "забывать".

Характеристика пакета Excel Neural Package

Семейство продуктов Excel Neural Package (компания «НейроОК») дополняет пакет MS Excel алгоритмами обработки данных, использующими технологии нейронных сетей. Реализовано как набор надстроек (add-ins) над Excel и состоит из следующих компонент:

Winnet - программа-эмулятор нейросети для построения нелинейных моделей, обобщающих эмпирические данные. Инструмент статистического прогнозирования.

Kohonen Map - программа построения самоорганизующихся карт Кохонена. Инструмент графического анализа многомерных данных.

Demo Examples – файлы демонстрационных примеров.

Times Series – программа анализа финансовых рядов.

Winnet

Winnet программно реализует распространенную архитектуру нейронной сети - многослойный персептрон. Предназначен для поиска скрытых зависимостей в больших массивах численной информации, для которых в явном виде аналитические зависимости не известны.

Основные характеристики Winnet 3.0

Параметр	Комментарий
Максимальное число строк	65536 (ограничение Excel )
Максимальное число столбцов	256 (ограничение Excel )
Входное преобразование	Линейное, сигмоидальное
Выявление релевантных переменных до обучения сети	Энтропийный анализ - алгоритм Boxcounting
Число слоев нейронной сети	До 5
Число нейронов в слое	Зависит от объема памяти
Переходные функции	Линейная, гиперболический тангенс
Изменение цветовой палитры	Улучшение наглядности
Алгоритмы обучения	Адаптивный выбор параметров обучения Rpropagation. Подключаются как внешние модули

Winnet имеет следующий набор средств контроля за обучением:

• Графики ошибок обучения, обобщения и диаграмм рассеяния.

• Диаграммы отклика «реальное значение - предсказанное нейросетью» для каждого выхода нейронной сети.

• Возможности настройки параметров тестового множества.

• Остановка обучения по различным критериям останова.

Kohonen Map

Kohonen Map представляет собой программный инструмент для построения и анализа информации с помощью алгоритма самоорганизующихся карт Кохонена. Основные применения - задачи кластеризации и визуализации многомерной информации. Пользователь может представить весь массив данных в виде двумерной цветной карты и визуализировать на ней интересующие его характеристики. Карта «раскрашивается» по любому интересующему параметру и строится по специальному алгоритму, сохраняющему локальную близость данных: точки, близкие на карте, будут близки и в исходном многомерном пространстве. (Обратное, вообще говоря, неверно!)

Основные характеристики Kohonen Map 1.0

Параметр	Комментарий
Входное преобразование	Линейное, сигмоидальное, нормировка
Понижение размерности	Метод главных компонент (Principal Components Analysis)
Размер карты Кохонена	Ограничен объемом свободной памяти
Число градаций цвета	От 2 до 10
Изменение цветов	Улучшение наглядности
Поиск по карте	Быстрое нахождение положения на карте и просмотр ячеек карты