X Международная студенческая научная конференция Студенческий научный форум - 2018

Всегда звучит вопрос: для какого класса задач наиболее эффективно применение того или иного вычислительного устройства, построенного по новым признакам. По отношению к нейрокомпьютерам ответ на него постоянно меняется в течение уже почти 50 лет. Долгое время считалось, что нейрокомпьютеры эффективны для решения неформализуемых и плохо формализуемых задач, связанных с необходимостью включения в алгоритм решения задач процесса обучения на реальном экспериментальном материале - распознавания образов. Конечно не формализуемые задачи являются важным аргументом использования нейрокомпьютеров. Однако необходимо помнить, что это всего лишь частная постановка аппроксимации функций, заданных некоторым множеством значений. При этом главное, что для аппроксимации используются не прежние статистические, в частности, регрессионные, а гибкие нелинейные нейросетевые модели. Сегодня к этому классу задач добавляется второй класс задач, иногда не требующих обучения на экспериментальном материале, но хорошо представимых в нейросетевом логическом базисе - это задачи с ярко выраженным естественным параллелизмом: обработка сигналов и обработка изображений.

В истории вычислительной техники всегда были задачи, не решаемые компьютерами текущего уровня развития и для них переход к нейросетевому логическому базису характерен в случае резкого увеличения размерности пространства решения или необходимости резкого сокращения времени. Различают три раздела нейроматематики: общая, прикладная и специальная.

Такие, казалось бы, простые задачи, как сложение чисел, умножение, деление, извлечение корня, обращение чисел и т.п. многие авторы пытаются решить с помощью нейрокомпьютеров. Действительно, при ориентации на нейросетевую физическую реализацию алгоритмов эти операции можно реализовать значительно эффективнее, чем на известных булевских элементах. В нейронных сетях это функции активации, поэтому сегодня много говорят о решении систем линейных уравнений и неравенств, обращении матриц, сортировки с помощью нейрокомпьютерных технологий.Конечно, основное направление применения нейроподобных структур - исследования, где по каким-то причинам не может быть задействован человек. Это могут быть исследования вредные для человека, недоступные в данный момент или слишком дорогие. Ярким примером является интеллектуальный мобильный робот (ИМР) - это техническая система, способная автономно двигаться к цели по заранее неизвестной среде без помощи человека. Принципиально новый подход к проблеме создания систем управления таких интеллектуальных мобильных роботов был предложен в НИИ многопроцессорных вычислительных систем Таганрогского государственного радиотехнического университета. Отличительной особенностью этого подхода является создание систем управления ИМР на базе однородных нейроподобных структур (ОНС), реализующих нецифровые методы обработки информации, присущие мозгу человека. Использование таких нейроподобных структур позволяет добиться ряда важных преимуществ.

В результате проведенных исследований разработаны теоретические и практические основы построения систем управления ИМР на базе однородных нейроподобных структур. Для практической реализации развиваемого подхода была разработана и изготовлена специальная элементная база, включающая в себя СБИС фрагмента ОНС и многокристальный модуль ОНС. СБИС фрагмента ОНС содержит 128 нейропроцессоров на кристалле, объединенных в одно решающее поле, причем предусмотрена возможность стыковки данных СБИС друг с другом с целью наращивания размеров решающего поля. Многокристальный модуль содержит 8 СБИС фрагмента ОНС в одном корпусе, объединенных в одно решающее поле.

Как правило, множество задач прикладной нейроматематики не решается известными типами вычислительных машин. Это задачи, достаточно просто сводимые к обработке нейронной сетью многомерных векторов вещественных переменных, например:

Контроль кредитных карточек. Сегодня 60% кредитных карточек в сша обрабатываются с помощью нейросетевых технологий.

Система скрытого обнаружения веществ с помощью системы на базе тепловых нейронов и с помощью нейрокомпьютера на заказных цифровых нейрочипах. Подобная система фирмы saic эксплуатируется уже во многих аэропортах сша при досмотре багажа для обнаружения наркотиков, взрывчатых веществ, ядерных и других материалов.

Система автоматизированного контроля безопасного хранения ядерных изделий.

Наиболее перспективными задачами обработки изображений нейрокомпьютерами являются обработка аэрокосмических изображений (сжатие с восстановлением, сегментация, контрастирование и обработка текстур), выделение на изображении движущихся целей, поиск и распознавание на нем объектов заданной формы, обработка потоков изображений, обработка информации в высокопроизводительных сканерах. В первую очередь это класс задач, связанных с прогнозированием временных зависимостей:

прогнозирование финансовых показателей;

прогнозирование надежности электродвигателей;

упреждение мощности АЭС и прогнозирование надежности систем электропитания на самолетах;

обработка траекторных измерений.

Ошибка выходного сигнала нейронной сети считается по следующей формуле:

m – количество примеров,

K – количество выходных нейронов нейронной сети,

h0(xi) – вектор выходных значений нейронной сети,

θ — матрицы весов, где θ^1 матрица весов для первого скрытого слоя,

lambda – коэффициент регуляризации.

При решении этих задач сейчас все переходят от простейших регрессионных и других статистических моделей прогноза к существенно нелинейным адаптивным экстраполирующим фильтрам, реализованным в виде сложных нейронных сетей. При обработке гидролокационных сигналов нейрокомпьютеры применяются при непосредственной обработке сигнала, распознавании типа надводной или подводной цели, определении координат цели. Сейсмические сигналы по структуре весьма близки к гидролокационным. Обработанные нейрокомпьютером позволяют получить с достаточной точностью данные о координатах и мощности землетрясения или ядерного взрыва. Нейрокомпьютеры начали активно использовать при обработке сейсмических сигналов в нефтегазоразведке. В Международном обществе по нейронным сетям для этого создана специальная группа.Нейрокомпьютеры в системах управления динамическими объектами - это одна из самых перспективных, областей применения нейрокомпьютеров. По крайней мере США и Финляндия ведут работы по использования нейрокомпьютеров для управления химическими реакторами. В нашей стране этим не занимались, в частности, по причине морального устаревания существующих реакторов и нецелесообразности совершенствования их систем управления.Перспективной считается разработка нейрокомпьютера для управления двигательной установкой гиперзвукового самолета. Фактически единственным вариантом реализации высокопараллельной вычислительной системы управления зеркалами (100-400 зеркал) адаптивного составного телескопа сегодня является нейрокомпьютер. Адаптивные режимы управления этим сложным объектом по критерию обеспечения максимального высокого качества изображения и компенсации атмосферных возмущений может обеспечить мощный нейрокомпьютер, в свою очередь реализующий адаптивный режим собственного функционирования. Весьма адекватной нейрокомпьютеру является задача обучения нейронной сети выработке точного маневра истребителя. Обучение системы с достаточно слабой нейронной сетью требовало 10 часов на ПК 386. Тоже можно сказать и о задаче управления роботами: прямая, обратная кинематические и динамические задачи, планирование маршрута движения робота. Переход к нейрокомпьютерам здесь связан в первую очередь с ограниченностью объемов размещения вычислительных систем, а также с необходимостью реализации эффективного управления в реальном масштабе времени.Необходимость реализации экспертных систем в нейросетевом логическом базисе возникает при значительном увеличении числа правил и выводов. Примерами реализации конкретных нейросетевых экспертных систем могут служить система выбора воздушных маневров в ходе воздушного боя и медицинская диагностическая экспертная система для оценки состояния летчика.

В последние годы резко расширился интерес к решению общих математических задач в нейросетевом логическом базисе. Во многих научных работах разрабатываются и исследуются нейросетевые алгоритмы решения следующих задач:

системы линейных уравнений и неравенств;

обращение матриц;

задачи оптимизации (линейное и нелинейное программирование);

сортировка.

Решение других задач общей нейроматематики, таких, например, как решение:

обыкновенных дифференциальных уравнений с произвольной нелинейной правой частью;

дифференциальных уравнений в частных производных.

Отдельным важным разделом нейроматематики так же является комплекс задач, связанных с формализацией с помощью графов.Вероятно, в ближайшие годы множество задач общей нейроматематики будет расширяться. Таким образом, искусственные нейронные сети служат универсальным и эффективным средством моделирования и идентификации нелинейных объектов. С их помощью в настоящее время успешно решаются сложные задачи распознавания, классификации и оптимизации. Не менее перспективным является использование искусственных нейросетей, и прежде всего класса многослойных, для синтеза оптимальных (точнее, субоптимальных) алгоритмов управления многосвязными нелинейными объектами со сложной и не моделируемой динамикой. Сочетание концепций, методов и математического аппарата современной нелинейной теории управления с теорией обучаемых искусственных нейронных сетей открывает широкие перспективы для структурного синтеза сложных динамических систем, в том числе того класса, который сейчас относят к системам с элементами искусственного интеллекта.

Список используемых источников

Галушкин, А.И. Нейрокомпьютеры и их применение. Нейро-2007 [Текст]: учебник/ А.И. Галушкин - Москва; Таганрог :Российская акад. наук , 2007. - 189 с. .

Код для цитирования: Скопировать