Невронна мрежа

Невронните мрежи (НМ) (на английски: Neural Networks) са резултат от взаимодействието на нервни клетки или на моделиращите тяхното поведение компоненти.

Същност

Невронната мрежа е математически модел на система за обработка на информация, организирана по подобие на анатомичното устройство на човешкия мозък. Математическият модел на биологичната невронна мрежа е изграден от множество от взаимносвързани прости изчислителни елементи (неврони). Могат да бъдат посочени следните основни етапи в развитието на невронните мрежи:

1958 г.: създадена е първата изкуствена невронна мрежа, наречена Perceptron;
60-те година на ХХ-ти век: създаване на невронни мрежи, чрез които се изучават познавателните способности на човека;
80-те година на ХХ-ти век: широко използване на изкуствени невронни мрежи за решаването на разнообразни задачи;
1994 г.: начало на масовото производство на невронни компютри. За първи път в Европа тези компютри се произвеждат от Siemens-Nixdorf.

Невронът представлява нервна клетка, на която се базира мисловната дейност на човека. Невронът се отличава със следните свойства: уникалност и взаимообвързаност – всеки неврон е свързан със съседите си чрез верига от връзки, които са неповторими в рамките на общата система. Изкуствените невронни мрежи се изграждат по аналогия на естествените невронни мрежи, базирани на микропроцесори (невронни процесори). Невронните мрежи се използват успешно в различни области: техниката, бизнеса, геологията, физиката, медицината и др. С тяхна помощ се решават задачи, свързани с прогнозирането, моделирането и управлението.

Те са привлекателни, защото се основават на биологичния модел на нервните системи. Невронните мрежи имат съществена роля за създаването на изкуствен интелект въз основа на клас алгоритми, чрез които се решават задачи по подобие на човешкия мозък.

Невронните мрежи позволяват автоматично конфигуриране и самообучение чрез постепенно изменение на стойностите на коефициентите за тежест на компонентите на мрежата с цел намаляване на грешката в изходящия от мрежата сигнал. Сигналът за грешка се подава чрез обратна връзка на входа на системата. Чрез невронните мрежи се решават разнообразни проблеми като се използва интуиция. През 1958 г. Франк Розенблат създава първата изкуствена невронна мрежа, която моделира обработката на визуална информация в човешкия мозък. Използването на невронни мрежи се отличава с голяма бързина на процесите, тъй като обработката на информацията се осъществява с помощта на множество компоненти, които работят паралелно.

Могат да бъдат посочени следните предположения за изчисленията, извършвани в мозъка:

Невроните интегрират информация.
Невроните предават информация за нивото на техния вход.
Влиянието на един неврон върху друг зависи от силата на връзката между тях.
Научаването става с промяна на силата на връзките между невроните.
Обработката на информацията става на етапи.

Всеки неврон приема "сигнали" от предхождащите го в мрежата други неврони под формата на числа, извършва някакви аритметични действия, определени от неговата функция на активация (степен на възбуда) и резултатът се предава по изходящите връзки (синапсите) към следващите неврони. Всяка връзка има тегло, което умножавайки се със сигнала, определя неговата значимост (сила). Теглата на връзките са аналогични на силата на синаптичните импулси, предавани между биологичните неврони. Отрицателна стойност на теглото съответства на подтискащ импулс, а положителна – на възбуждащ.

Особености

Невронните мрежи се състоят от един, два или повече отделни слоя, които могат да бъдат организирани в различна топология. Математически е доказано, че невронна мрежа с повече от един слой с достатъчно на брой неврони, може да моделира поведението на всяка съществуваща функция. Теглата на връзките между невроните определят функционалността и поведението на невронната мрежа. Съществено предимство на невронните архитектури е възможността те да бъдат обучавани, а в последствие и да се самообучават.

Обучението на една невронна мрежа се постига чрез промяна на теглата на връзките между невроните и се осъществява чрез правила, които определят как да се променят тези тегла. Най-разпространеното сред тях е методът на обратното разпространение на сигнал за грешка (back-propogation), където за всеки изходен неврон се изчислява разликата от желаното му поведение, като се формира сигнал за грешка, който се движи назад към входния слой и по пътя си променя теглата на връзките така, че при следващата активация на мрежата грешката да бъде по-малка от регистрираната.

Двете най-съществени характеристики на невронните мрежи са: способност да се “учат” и способност да генерализират. Невронните мрежи изискват данните да се поддават на обучение. Обучението на системата се реализира чрез промяна в стойностите на тегловните коефициенти. Коефициентите се променят в съответствие с избрания алгоритъм на обучение. Веднъж след като мрежата е “обучена”, тя трябва да се “захрани” с нови данни, които не са били използвани по време на нейното обучение. Това е своеобразен начин на тестване на невронната мрежа, за да се установи дали е в състояние да прогнозира неизвестните изходи или по-точно, способна ли е да генерализира. “Критичен” момент при разработването на една невронна мрежа е определянето броя на скритите слоеве и съдържащите се в тях неврони. В научната литература не съществуват твърдо установени правила и идеална технология за дефиниране оптималния им брой. Най-често прилаганият подход в това направление е на база експерименти (на принципа на опита и грешката).

Приложение

Невронните мрежи могат да бъдат използвани в различни направления:

Изкуствените невронни мрежи се използват успешно за апроксимиране, тъй като чрез тях се „изглаждат” сложни нелинейни зависимости, дори когато като входяща променлива се използва само времевият фактор. Ценното на невронните мрежи е в изграждането на предиктивни модели, като в качеството на независими променливи могат да участват различни метрични и неметрични интервениращи променливи (разходи за промоция и реклама, цени и др.).

Използване на рекурентни невронни мрежи (Recurrent neural networks) за отчитане влиянието на рекламната дейност на фирмите, тъй като благодарение на своята архитектура този вид невронни мрежи позволява да се моделират ефекти, които се проявяват с известен лаг във времето.
Управление на роботизирани комплекси.
Автоматизация на проектирането.
Управление на риска при предоставяне на кредити.
Предсказване ситуации на фондовия пазар и т.н.
Невронни мрежи в областта на телекомуникациите се използват за обработка на сигнали, управление на трафика и маршрутизация, динамично назначаване на канали и др. Класическото приложение на невронните мрежи за обработка на реч намира широко отражение и в телекомуникациите. Речта като естествена комуникация човек-машина е от особено значение за диалога в автономни системи като например: автоматична служба информация; приемане на поръчки по телефона; разпознаване на реч и извеждане на гласови съобщения. *Особено актуално става приложението на тези възможности в съвременните Интелигентни мрежи, където много услуги изискват взаимодействие с крайния потребител (въвеждане на допълнителни цифри при номеронабиране, въвеждане на идентификационен код или друга информация, и извеждане на подходящо съобщение) и др.

Вижте още

Източници

(en) Portogal, M ., “Neural network versus time series methods: a forecasting exercise”, 14 th International symposium on forecasting, Stockholm, Sweden, 1995. – Използване на невронните мрежи за прогнозиране
(en) Remus, W., O`Connor, M., “Neural network time-series forecasting”, in Armstrong, J . (Ed.) “Principles of forecasting: a handbook for researchers and practitioners”, Kluwer Academic Publishers , 2001, pp. 245-256. – Невронни мрежи и принципи на прогнозиране
(en) Thiesing, F., Vornberger, O., “Sales forecasting using neural networks”, IEEE (eds.), ICNN 1997, Houston, Texas, 9-12 June 1997, Vol. 4, pp. 2125-2128. – Използване на невронни мрежи при прогнозиране на продажбите
(en) Van Wezel, M., Baets W. , “ Predicting market responses with a neural network: the case of fast moving consumer goods ”, Marketing Intelligence & Planning , Vol. 13 , No.7, 1995, pp. 23-30. – Използване на невронни мрежи при изучаване на динамиката на пазарите на потребителски стоки
Kaastra, I., Boyd, M., “Designing a neural network for forecasting financial and economic time series”, Neurocomputing , No. 10, 1996, pp. pp. 218.
Zhang, G., Patuwo, B., Hu, M., “Forecasting with neural networks: the state of art” International journal of forecasting , Vol.14, 1998, pp.44.

Външни препратки