Z Wikipedii

Uproszczony schemat jednokierunkowej sieci neuronowej

Sieć neuronowa (sztuczna sieć neuronowa) to ogólna nazwa struktur matematycznych i ich programowych lub sprzętowych modeli, realizujących obliczenia lub przetwarzanie sygnałów poprzez rzędy elementów, zwanych sztucznymi neuronami, wykonujących pewną podstawową operację na swoim wejściu. Oryginalną inspiracją takiej struktury była budowa naturalnych neuronów oraz układów nerwowych, w szczególności mózgu.

Czasem mianem sztuczne sieci neuronowe określa się interdyscyplinarną dziedzinę wiedzy zajmującą się konstrukcją, trenowaniem i badaniem możliwości tego rodzaju sieci.

[edytuj] Zastosowania

Współcześnie nie ma wątpliwości, że sztuczne sieci neuronowe nie stanowią dobrego modelu mózgu, choć różne ich postaci wykazują cechy charakterystyczne dla biologicznych układów neuronowych: zdolność do uogólniania wiedzy, uaktualniania kosztem wcześniej poznanych wzorców, dawanie mylnych odpowiedzi po przepełnieniu. Mimo uproszczonej budowy, sztuczne sieci neuronowe stosuje się czasem do modelowania schorzeń mózgu.

Sztuczne sieci neuronowe znajdują zastosowanie w rozpoznawaniu i klasyfikacji wzorców (przydzielaniu wzorcom kategorii), predykcji szeregów czasowych, analizie danych statystycznych, odszumianiu i kompresji obrazu i dźwięku oraz w zagadnieniach sterowania i automatyzacji.

Magazyn BYTE wymienia między innymi następujące zastosowania tych sieci:

• diagnostyka ukÅ‚adów elektronicznych
• badania psychiatryczne
• prognozy gieÅ‚dowe
• prognozowanie sprzedaży
• poszukiwania ropy naftowej
• interpretacja badaÅ„ biologicznych
• prognozy cen
• analiza badaÅ„ medycznych
• planowanie remontów maszyn
• planowanie postÄ™pów w nauce
• analiza problemów produkcyjnych
• optymalizacja dziaÅ‚alnoÅ›ci handlowej
• analiza spektralna
• optymalizacja utylizacji odpadów
• dobór surowców
• selekcja celów Å›ledztwa w kryminalistyce
• dobór pracowników
• sterowanie procesów przemysÅ‚owych.

Najpopularniejsze obecnie zastosowanie sieci neuronowych:

• w programach do rozpoznawania pisma (OCR)
• na lotniskach do sprawdzania, czy przeÅ›wietlony bagaż zawiera niebezpieczne Å‚adunki
• do syntezy mowy

[edytuj] Typy sieci neuronowych

Cechą wspólną wszystkich sieci neuronowych jest to, że na ich strukturę składają się neurony połączone ze sobą synapsami. Z synapsami związane są wagi, czyli wartości liczbowe, których interpretacja zależy od modelu.

[edytuj] Sieci jednokierunkowe

Sieci jednokierunkowe to sieci neuronowe, w których nie występuje sprzężenie zwrotne, czyli pojedynczy wzorzec lub sygnał przechodzi przez każdy neuron dokładnie raz w swoim cyklu. Najprostszą siecią neuronową jest pojedynczy perceptron progowy, opracowany przez McCullocha i Pittsa w roku 1943.

W bardziej zaawansowanych rozwiązaniach stosuje się funkcje przejścia. Najpopularniejszą klasę funkcji stosowanych w sieciach neuronowych stanowią funkcje sigmoidalne, np. tangens hiperboliczny. Sieć zbudowana z neuronów wyposażonych w nieliniową funkcję przejścia ma zdolność nieliniowej separacji wzorców wejściowych. Jest więc uniwersalnym klasyfikatorem.

Do uczenia perceptronów wielowarstwowych stosuje się algorytmy spadku gradientowego, między innymi algorytm propagacji wstecznej.

[edytuj] Sieci rekurencyjne

Mianem sieci rekurencyjnej określa się sieć, w której połączenia między neuronami stanowią graf z cyklami. Wśród różnorodności modeli rekurencyjnych sztucznych sieci neuronowych wyróżnić można:

• sieć Hopfielda - ukÅ‚ad gÄ™sto poÅ‚Ä…czonych ze sobÄ… neuronów (każdy z każdym, ale bez poÅ‚Ä…czeÅ„ zwrotnych) realizujÄ…cÄ… dynamikÄ™ gwarantujÄ…cÄ… zbieżność do preferowanych wzorców
• maszyna Boltzmanna - opracowana przez Hintona i T. Sejnowskiego stochastyczna modyfikacja sieci Hopfielda; modyfikacja ta pozwoliÅ‚a na uczenie neuronów ukrytych i likwidacjÄ™ wzorcow pasożytniczych, kosztem zwiÄ™kszenia czasu symulacji.

Sieci Hopfielda i maszyny Boltzmanna stosuje się jako pamięci adresowane kontekstowo, do rozpoznawania obrazów, rozpoznawania mowy, a także do rozwiązywania problemów minimalizacji (np. problemu komiwojażera).

[edytuj] SamoorganizujÄ…ce siÄ™ mapy

Samoorganizujące się mapy (Self Organizing Maps, SOM), zwane też sieciami Kohonena to sieci neuronów, z którymi są stowarzyszone współrzędne na prostej, płaszczyźnie lub w dowolnej n-wymiarowej przestrzeni.

Uczenie tego rodzaju sieci polega na zmianach współrzędnych neuronów, tak aby dążyły one do wzorca zgodnego ze strukturą analizowanych danych. Sieci zatem "rozpinają się" wokół zbiorów danych, dopasowując do nich swoją strukturę.

Sieci te stosowane są do klasyfikacji wzorców, np. głosek mowy ciągłej, tekstu, muzyki. Do najciekawszych zastosowań należy rozpinanie siatki wokół komputerowego modelu skanowanego obiektu.

[edytuj] Inne

Popularnymi modelami są również maszyny wektorów wspierających (SVM), sieci oparte na radialnych funkcjach bazowych (sieci radialne, RBF) i sieci typu propagacji wstecznej (ang. counter-propagation neural networks). Stosunkowo nowym modelem są sieci oparte na neuronach impulsujących.

Zobacz też: logika rozmyta, sztuczna inteligencja.

[edytuj] Linki zewnętrzne

• Sieci Neuronowe i Sztuczna Inteligencja Neuralnets.eu - Polski Wortal Sztucznej Inteligencji
• Strona dla poczÄ…tkujÄ…cych
• Linki o sieciach neuronowych, strona prof. WÅ‚odzisÅ‚awa Ducha
• UdostÄ™pniona w sieci książka; Ryszard Tadeusiewicz "Sieci neuronowe"
• Europejskie Towarzystwo Sieci Neuronowych
• Polskie Towarzystwo Sieci Neuronowych
• Strona o sieciach neuronowych