Основные классы задач, решаемые искусственными нейронными сетями (ИНС)

Под ИНС понимается вычислительные структуры. которые моделируют простые биологические процессы, ассоциируемые с процессами человеческого мозга. Элементарным преобразователем в ИНС является искусственный нейрон, аналог биологического нейрона.

Классы задач, решаемых ИНС:

1.Классификация образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным Приложениям относятся распознавание букв и речи, классификация сигнала электрокардиограммы и клеток крови.

2. Кластеризация/категоризация. При решение задачи кластеризации, которая известна также как классификация «без учителя» т.е. отсутствует обучающая выборка с метками класса. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения Знаний, сжатия данных и исследования свойств данных.

3. Аппроксимация функций. Предположим что имеется обучающая выборка (х1 у1)(х2 у2)…(xnyn)(пары данных вход/ выход), которая генерируется неизвестной функцией f(х) искаженной шумом Задача аппроксимации состоит в нахождение неизвестной функции F(х) и ее оценки.

Аппроксимация функций необходима при решении многочисленных Инженерных и научных задач моделирования.

4. Предсказание/прогноз. Пусть заданы n дискретных отсчетов{ y(tl),y(t2)...y(tn)} в последовательные моменты времени tl,t2...,tn. Задача состоит в предсказание значения у(tn+1) Некоторый будущий момент времени tm+i.Предсказание/прогноз имеет значительное влияние на Принятие решений в бизнесе, науки и технике. Предсказание цен на фондовой бирже и прогноз Погоды являются типичными приложениями технике предсказание/прогноз.

5. Оптимизация. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Задача коммивояжера, является классическим примером задачи оптимизации.

6. Память, адресуемая по содержанию. В модели вычисления фон Неймона обращения к Памяти доступно только по средствам адреса, который не зависит от содержания памяти. Более Того, если допущена ошибка в вычисление адреса, то может быть найдена совершенно иная информация. Ассоциативная память или память, адресуемая по содержанию, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному Входу или искаженному содержанию.

7. Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t),y(t)}, Где u(t) является входным управляющим воздействием, a y(t) выходом системы в момент времени t. В системе управления с эталонной моделью целью управления является расчет Такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой Эталонной моделью. Пример ом является оптимальное управления двигателем.