1.
Использование нейронных сетей для анализа информации в области фармации. Основные понятия теории нейросетевого моделирования.
Лекция № 7.
1. Нейронные сети. Исторический аспект.
2. Понятие искусственного нейрона.
3. Примеры применения нейросетевых моделей в медицине.
В настоящее время в медицинских исследованиях большое значение приобретает количественный анализ получаемой информации. Однако при обработке медико-биологической информации исследователь должен учитывать ее особенности. Большинство медицинских данных имеют описательный характер и очень широкий диапазон изменения. Данные, даже выражаемые с помощью чисел также в большинстве случаев не могут быть хорошо упорядочены и классифицированы. Для задач, возникающих в медицинских исследованиях, не представляется возможным учесть все реально имеющиеся условия, от которых зависит ответ, а можно лишь выделить приблизительный набор наиболее важных условий. При этом параметры, описывающие состояние объекта зачастую связаны между собой сложными, многомерными, нелинейными корреляционными связями. В этом случае применение традиционных методов составления явного алгоритма решения задачи приводит к результатам, недостаточным ни по точности, ни по удобству для широкого практического использования в конкретных задачах диагностики, прогнозирования и принятия решений.
|
|
Примером задачи, для которой можно достаточно легко составить явный алгоритм решения является задача нахождения корня алгебраического уравнения, например линейного:
Примером задачи, для которой сложно указать алгоритм решения - задача распознавания образов:
Неявные задачи медицины и биологии являются идеальным полем применения нейросетевых технологий.
Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.
Обучение
Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.
|
|
Обобщение
Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения жизненно важна для распознавания образов в реальном мире. Она позволяет преодолеть требование строгой точности, предъявляемое обычным компьютером, и открывает путь к системе, которая может иметь дело с тем несовершенным миром, в котором мы живем. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования «человеческого интеллекта» в форме специально написанных компьютерных программ.
Абстрагирование
Некоторые из искусственных нейронных сетей обладают способностью извлекать сущность из входных сигналов. Например, сеть может быть обучена на последовательность искаженных версий буквы «А». После соответствующего обучения предъявление такого искаженного примера приведет к тому, что сеть породит букву совершенной формы. В некотором смысле она научится порождать то, что никогда не видела.
Эта способность извлекать идеальное из несовершенных входов ставит интересные философские вопросы. Она напоминает концепцию идеалов, выдвинутую Платоном в его «Республике». Во всяком случае способность извлекать идеальные прототипы является у людей весьма ценным качеством.
Применимость
Искусственные нейронные сети не являются панацеей. Они, очевидно, не годятся для выполнения таких задач, как начисление заработной платы. Похоже, однако, что им будет отдаваться предпочтение в большом классе задач распознавания образов, с которыми плохо или вообще не справляются обычные компьютеры.