Эволюция искусственных нейронных сетей (ИНС). Области применения технологий ИНС.

Этот набор должен покрыть весь возможный диапазон обучения и соответствовать его функциональному назначению. Набор данных содержит данные, связанные со входами, и должен коррелировать их к целевому назначению. Входы, используемые при обучении, определяют пространство управления нейронной сетевой модели[21].Все записи набора данных выполняются с временными метками, которые определяют их целевой отсчет по времени захвата и значение параметра входа. Наборы данных должны быть привязаны к конфигурации оборудования, которая имела место в момент приобретения системы. Для повышения надежности модели, устранения помех и снижения стоимости критически важное значение имеет правильный выбор модели входов. При этом калибровка должна быть завершена для всех входов еще до получения данных. Это необходимо для того, чтобы установить их базовый опорный уровень.После того как набор данных был получен, он должен быть разобран на три подмножества: обучение, испытание и валидацию. Обучение ИНС предполагает обратное распространение ошибки между выходом модели и целевым значением и представляет собой итеративный процесс обратного распространения. Он нуждается в том, чтобы была разработана стратегия, делающая упор на надежность и подтверждение достоверности. Значения (веса) и их смещения для каждого нейрона предоставляются в процессе обучения. Отчет о валидации должен быть рассмотрен еще до внедрения системы на платформе управления и должен показать совпадение целевой функции управления в фазе с моделью при минимальной погрешности.Большинство программ обучения ИНС работают при помощи ПК, а основные платформы управления уже имеют весь необходимый набор команд для настройки модели ИНС.При этом важно, чтобы HMI (Human-MachineInterface) отображал выход модели, входы, сигналы тревоги, технологические установки процесса, предоставлять возможность выбора режима (автоматический/ручной) и стратегии управления (обычная/альтернативная) (рис. 14).Рисунок 14 –Внешний вид окна HMI для виртуальной измерительной системы (а) и многоканального MIMO-контроллера (б)Также реальное пространство управления может привести к созданию недопустимой точки вектора внешнего управления пространством. При этом необходимо иметь некий альтернативный контроль или стратегию измерения. На рис. 15 представлена модель базовой стратегии контроллера, которая в случае возникновения ситуации находится вне ее пространства управления и подает аварийные сигналы оператору, и система автоматически переключается на альтернативный алгоритм управления. Такое переключение также может быть оставлено на усмотрение оператора, если характеристики процесса являются, по его мнению, приемлемыми. Рисунок 15 – Внешний видручного или автоматического переключения на альтернативную стратегию управления 4 Основные компоненты нейронной сетиИскусственные нейронные системы, или нейронные сети, - это клеточные системы, которые могут приобретать, сохранять и использовать опытные знания. Знания существуют в форме стабильных состояний или отображений, внедренных в сеть, которые могут быть вызваны в ответ на поданные сигналы. Нейронная сеть является совокупностью элементов, соединенных между собой некоторым образом так, чтобы между ними обеспечивалось взаимодействие [22].Основные обрабатывающие элементы нейронной сети - искусственные нейроны (нейроны или узлы). Эти узлы представляют собой простые процессоры, вычислительные возможности которых обычно ограничиваются некоторым правилом комбинирования входных сигналов и правилом активации, позволяющим вычистить выходной сигнал по совокупности входных сигналов. Выходной сигнал элемента может посылаться другим элементам по взвешенным связям, с каждой из которых связан весовой коэффициент или вес.Характеристики нейронных сетей:множество простых процессоров (узлы, нейроны);структура связей, представляющих синапсы клетки;правило распространения сигналов в сети;правило комбинирования входящих сигналов;правило вычисления сигнала активности;правила обучения, корректирующие связи.На рис. 16 показана структура искусственной нейронной сети. С каждым из обрабатывающих элементов сети связывается набор входящих связей, по которым к данному элементу поступают сигналы от других элементов сети, и набор исходящих связей, по которым сигналы данного элемента передаются другим элементам.Выходной сигналРисунок16– Внешний вид Структура нейронной сетиИскусственный нейрон имитирует в первом приближении свойства биологического нейрона, при этом на вход искусственного нейрона поступает множество входных сигналов X = (х1, х2, ... хk), каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес W = (w1, w2, ... wn), аналогичный синаптической силе, и все произведения суммируются в блоке, обозначенном на рис. 17при помощи математического знака «Σ». При этом определяется уровень активации нейрона.Рисунок 17– Внешний вид структуры искусственного нейронаЭлементы, предназначенные для получения сигналов из внешней среды, называются входными элементами. Элементы для вывода во внешнюю среду результатов вычислений называются выходными элементами. Внутренние элементы называются скрытым слоем.Структура связей отражает то, как соединены элементы сети. В зависимости от модели нейронной сети элементы могут быть:связаны со всеми другими элементами сети;организованы в некоторой упорядоченной иерархии, где связи допускаются только между элементами в смежных слоях;могут быть допущены обратные связи между смежными слоями или внутри одного слоя, или же допущена посылка сигналов элементами самим себе.Каждая связь определяется тремя параметрами:элементом, от которого исходит данная связь;элементом, к которому данная связь направлена;числом (обычно действительным), указывающим весовой коэффициент (вес связи).Отрицательное значение веса соответствует подавлению, а положительное значение - усилению активности элемента. Таким образом, веса могут быть положительными (возбуждающими) или отрицательными (тормозящими). Абсолютное значение весового коэффициента характеризует силу связи.Правило распространения сигналов сети является правилом комбинирования входящих сигналов, вычисления исходящего сигнала, а также посылки сигнала другим элементам. При этом в некоторых моделях моменты обновления элементов выбираются случайным образом, в других же - обновление некоторых групп элементов допускается только после обновления определенных групп других элементов.Часто входящие сигналы элемента комбинируют путем суммирования их взвешенных значений (рис. 18).Рисунок 18 – Внешний вид схемы метода суммирования сигналовЗаключениеВ заключении отметить, что даже самая лучшая ИНС, которая обучена по лучшим правилам, не способна заменить реальные процессы. В то же время, многие ИНС применяются в различных направлениях науки и техники для повышения качества результатов. Приведенные описания применения ИНС в различных научных направлениях показали целесообразность их применения и практическую ценность.Также при постановке задачи, пространства поиска, предметной области ИНС обеспечивают более высокую эффективность работы. На сегодняшний день ИНС бесспорно являются приоритетным направлением дальнейших исследований.В данной работе достигнута основная цель – описанаэволюция ИНС и области применения технологий ИНС.В данном реферате были решены следующие задачи:описаны основные понятия, связанные с ИНС;описаны методыобучения ИНС;приведеныобласти применения и методы исследования с использованием ИНС;описаныосновные компоненты нейронной сети.Также в процессе написания реферата были использованы современные и классические источники литературы и глобальной сети Internet.Список использованной литературыЧерниговская Т.В. Чеширская улыбка кота Шрёдингера: язык и сознание. M.: Языки славянской культуры, 2013. — 448 с.Доусон Майкл. Представления Connectionist Тональной Музыки: Обнаружение Музыкальных Образцов, интерпретируя Искусственные Нейронные Сети. Эдмонтон, AB: UBC Press 2018. - 320 с. - 320 р.Славио Джон. Нейронные сети: инструменты и методы нейронных сетей для начинающих. CreateSpaceIndependentPublishing, 2018. - 114 с.Акулова, Л.Ю. История развития средств автоматизации. Практическая работа № 1 "Движущие силы и закономерности развития техники". Рабочая тетрадь [Электронный ресурс] : учебно-методическое пособие / Л.Ю. Акулова, С.В. Селезнева. — Электрон. дан. — Пенза :ПензГТУ (Пензенский государственный технологический университет), 2013. — 16 с. Ошарин А.В., Ткачев А.В., Чепагина Н.И. История науки и техники / Учебно-методическое пособие. - СПб: СПб ГУ ИТМО, 2006. - 143 с. Маклеод С. Синтез искусственных нейронных сетей с использованием однорядных эволюционных методов. Диссертация, Университет Роберта Гордона, Абердин, Шотландия, 1999, -275 с.Тош С.Р., Ракстон Г.Д. (ред.) Моделирование восприятия с помощью искусственных нейронных сетей. Издательство CambridgeUniversityPress, 2010, -409 p.Нельсон Роберт В. Новые разработки в области исследований искусственных нейронных сетей. Нова, 2011. - 341 с.Звонков В.Б.Самонастраивающиеся эволюционные алгоритмы и искусственные нейронные сети для интеллектуальных систем анализа данных. /Всероссийский конкурс научно-исследовательских работ студентов, аспирантов и молодых ученых по нескольким междисциплинарным направлениям 2011// Сборник работ победителей отборочного тура. — Под общей редакцией Павленко А.В. — Новочеркасск: Лик, 2011. — 573 с.Луценко Е.В., Лойко В.И., Лаптев В.Н. Системы представления и приобретения знаний. Учебное пособие. — Краснодар :Экоинвест, 2018. — 513 с.Курзаева Л.В. Нечеткая логика и нейронные сети в задачах управления социально-экономическими системами и процессами. Учебное пособие. — Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова, 2016. — 113 с.Сет Анил (ред.) Мозг за 30 секунд. 50 самых сногсшибательных открытий неврологии, рассказанных за полминуты. Пер. с англ. Ю. Капустюк — М.: Рипол Классик, 2014. — 160 с.Шевченко О.И. Использование искусственных нейронных сетей для диагностики заболеваний. Судовые энергетические установки. Выпуск 32. Одесса: ОНМА, 2013. – 204 с.История науки и техники: учеб. пособие / Е.С. Лученкова, А.П. Мядель. - Минск: Вышэйшая школа, 2014. - 175 с.Шамис А.Л. Вектор эволюции: Жизнь, эволюция, мышление с точки зрения программиста. М.: Либроком, 2013. — 200 с.Смагин, А.А. Интеллектуальные информационные системы: учеб. пособие / А.А. Смагин, С.В. Липатова, А.С. Мельниченко. - Ульяновск: УлГУ, 2010. - 136 с.Головинский П.А. Математические модели: Теоретическая физика и анализ сложных систем. От нелинейных колебаний до искусственных нейронов и сложных систем. М.: Либроком, 2012. — 232 с.Дыбовский Р., Гант В. (ред.) Клиническое применение искусственных нейронных сетей. Издательство Кембриджского университета, 2007. - 380 с.Ахметов Б., Сейлова Н., Боскебеев К., Алимсеитова Ж. Применение искусственных нейронных сетей для распознавания биометрических образов. Вестник Национальной академии наук Республики Казахстан 2017 №06. С 75–83.ТолмачевВ.А. Использование нейросетевых устройств в системах векторного управления асинхронным электроприводом.//В.А. Толмачев, А.А. Усольцев, Д.В. Лукичев /Научно-технический вестник информационных технологий, механики и оптики. Общие и комплексные проблемы естественных и точных наук. Санкт-Питербург, 2005. – С. 28 – 34.ДжиммиУ. Ки (Jimmy W. Key).Искусственные нейронные сети управления технологическими процессами. Часть 2/ У. Ки Джимми //ControlEngineering России. №4 (64). 2016. – С. 106 – 110. Пятаева А.В., Раевич К.В. Интеллектуальные системы и технологии. Учебное пособие. — Красноярск: Сибирский федеральный университет, 2018. — 144 с.А.А. Лапидус, А.Н. Макаров Система поддержки принятия организационно-технологических решений на основе искусственной нейронной сети. Системотехника строительства. Киберфизические строительные системы. Сборник материалов семинара. — М.: МИСИ – МГСУ, 2018. — 264 с.Цуриков А.Н. Программно-алгоритмическое и структурное обеспечение систем поддержки принятия решений в чрезвычайных ситуациях на железнодорожном транспорте. Диссертация на соискание ученой степени кандидата технических наук. Специальность: 05.13.06 –. Автоматизация и управление технологическими процессами и производствами (на транспорте). Ростовский государственный университет путей сообщения. Ростов-на-Дону, 2014. – 175 с. Научный руководитель: д.т.н., профессор А.Н. Гуда.Беспалов А.В., Харитонов Н.И. Системы управления химико-технологическими процессами. М.: Академкнига, 2007. — 690 с.