Теория нейронных сетей (НС) включают широкий круг вопросов из разных областей науки: биофизики, математики, информатики, схемотехники и технологии. Поэтому понятие «нейронные сети» детально определить сложно. Приведем несколько определений.
Нейронные сети — самообучающиеся системы, имитирующие деятельность человеческого мозга.
Искусственные нейронные сети — устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров (обрабатывающих элементов).
Искусственная нейронная сеть (ИНС) может рассматриваться как направленный граф с взвешенными связями, в котором искусственные нейроны являются узлами.
Матрицу весов связей обученной нейронной сети можно отнести к эвристическим моделям представления знаний.
По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.
Нейронные сети различают по структуре сети (связей между нейронами), особенностям модели нейрона, особенностям обучения сети.
По структуре нейронные сети можно разделить на неполносвязные (или слоистые) и полносвязные, со случайными и регулярными связями, с симметричными и несимметричными связями.
По используемым на входах и выходах сигналам нейронные сети можно разделить на аналоговые и бинарные.
По моделированию времени нейронные сети подразделяются на сети с непрерывным и дискретным временем.
По организации обучения разделяют обучение нейронных сетей с учителем (supervised neural networks), без учителя (nonsupervised).
По особенностям модели нейрона различают нейроны с разными нелинейными функциями: пороговой, экспоненциальной сигмоидой, рациональной сигмоидой, гиперболическим тангенсом.
В настоящее время нейронные сети применяются для решения многих неформализуемых или трудно формализуемых задач:
• распознавания и синтеза речи;
• распознавания аэрокосмических изображений;
• прогнозирования котировки ценных бумаг и курса валют;
• предупреждения мошенничества с кредитными карточками;
• оценки стоимости недвижимости;
• оценки финансового состояния предприятий и риска невозврата кредитов;
• обработки радиолокационных сигналов;
• контроля движения на скоростных автомагистралях и железных дорогах;
• диагностики в медицине;
• добычи знаний из больших объемов данных в бизнесе, финансах и научных исследованиях.
Нейронные сети можно использовать при следующих условиях:
1 Если задачу может решать человек.
2 Если при решении задачи можно выделить множество входных факторов (сигналов, признаков, данных и т.п.) и множество выходных факторов.
3 Если изменения входных факторов приводит к изменению выходных.
При применении нейронных сетей необходимо решить следующие задачи:
1 Постановка задачи, пригодной для решения с помощью нейронной сети.
2 Выбор модели ИНС.
3 Подготовка исходных данных для обучения ИНС.
4 Обучение ИНС.
5 Собственно решение задачи с помощью обученной ИНС
Кроме того, иногда нужен еще один этап – интерпретация решения, полученного нейронной сетью.