Применение модели искусственных нейронных сетей для решения проблемы обработки и анализа информации

В современное время развитие сферы информационных технологий (IТ) набирает обороты. Если ранее развитие в IT сфере шло небольшими шагами, что было обусловлено минимальными задачами и узкой областью применения полученных знаний и технологий, то сейчас общество активно использует достижения области информационных технологий во всех сферах жизни. В итоге, потребности в новых технологиях возрастают. Однако, прежние алгоритмы, используемые в информационных процессах, становятся непригодными для решения сегодняшних задач. В существующих алгоритмах имеется ряд недостатков, проблем, которые необходимо решить, чтобы построить технологии, которые в дальнейшей перспективе будут удовлетворять потребности общества.

Недостатки большинства существующих алгоритмов:

• 1)    Ограниченная сфера применения.

• 2)    Объемные затраты вычислительной мощности.

• 3)    Высокая уязвимость.

• 4)    Строгие ограничения при построении моделей.

• 5)    Отсутствие прикладной гибкости.

Данные проблемы позволяет решить математическая модель искусственных нейронных сетей, которая формирует единый алгоритм для решения многих современных задач. Несмотря на то, что появление данной модели имеет начало в прошлом веке, ее актуальность преобладает сегодня. Чтобы понять, как ИНС позволяет решить проблемы обычных алгоритмов, обратимся к структуре базовой модели искусственных нейронных сетей (рис.1).

Рис. 1. Структура простейшей модели ИНС

Здесь мы наблюдаем совокупность ячеек (нейронов) и связей (синапсов). В каждой ячейке проходят индивидуальные операции, связанные с данными, которые могут храниться только в этой ячейке. Когда через ячейку проходит поток информации, промежуточные данные, необходимые для операций этой ячейки сразу стираются, что позволяет сократить объемы вычислительных ресурсов при выполнении алгоритма и сократить количество возможных уязвимостей. Также стоит отметить и то, что индивидуализация операций для отдельных участков памяти, зарезервированными нейронами, решает проблему гибкости алгоритма – все известные проблемы, лишь за редким исключением, можно решить с помощью единого алгоритма, внедряя минимум операций на различных участках общего алгоритма данной модели. Ну и, наконец, рассмотрим важный элемент, наличие которого решает остальные проблемы – синапс. Синапсы имеют параметр — вес(weight). Данный параметр определяет приоритет данных, полученных из предыдущей ячейки, из которой он выходит. Инициализация значения приоритета для каждой группы данных позволяет наиболее верно определять другие скрытые взаимосвязи между объектами, а также, в ходе задачи влиять на них. Как итог, мы получаем модель, которая способна обучаться решать множество задач на примере исходных данных, полученных в реальной ситуации. К подобному множеству задач относятся сложные задачи распознавания и прогнозирования. Решается проблема ограниченности сферы применения, имеющая место в других алгоритмах. В ходе работы данной модели синапсы могут менять свое направление, например, в случае повреждения данных. Это делает систему стабильной и в большей степени отказоустойчивой. Немаловажно и то, что множества синапсов связаны с нейронами таким образом, что поставленная задача выполняется максимально быстро.

Отметим еще раз преимущества, которыми обладает ИНС, за счет особенностей ее строения:

• 1.    Самообучаемость – самое главное преимущество и отличие нейронных сетей. В условиях отсутствия информации о закономерностях изменения хода решения поставленной задачи модель нейронных сетей способна сама сформировать и реализовать алгоритм, который позволит

• 2.    Быстродействие – реализация алгоритмов данной модели происходит очень быстро, за счет особенностей ее построения возможно использование массового параллелизма обработки информации

• 3.    Отказоустойчивость — в случае ошибки или повреждения данных, в результате которого их извлечение и передача будет затруднена, производительность нейронной сети изменится лишь незначительно, особенности хранения информации предполагают независимость в хранении и извлечении из памяти значений.

решить данную задачу. Это возможно благодаря выявлению и учету скрытых взаимосвязей между всеми параметрами(факторами), участвующих в задаче.

Однако, такая сложная и относительно новая модель(в плане применения) не может не иметь недостатков.

Недостатки модели ИНС:

В некоторых случаях работа алгоритма не заканчивается успешно, сталкиваясь с тупиковыми случаями.

Для обучения данной модели достижения необходимы данные, полученные в ходе реальной ситуации, демонстрируемой большое количество раз.

• 1.    Техническая реализация(объемно-габаритные интегральные схемы) для алгоритма данной модели труднодоступна в настоящее время.

• 2.    Последовательность выполнения действий обученной ИНС во многих случаях неоднозначна.

Внедрение алгоритма модели искусственных нейронных сетей в сферу информационных технологий позволяет значительно ускорить ее развитие, решая множество проблем распространенных алгоритмов, связанных с процессами анализа и обработки информации. В свою очередь, этот этап развития внесет вклад во многие сферы общества. Уже сейчас применение данного алгоритма находит себя в медицине и производстве, в метеорологии и геологии, в сфере безопасности и в сфере экономики(прогнозирование). Не обходится без технологий с алгоритмом данной модели и в процессах распознавания отпечатков пальцев, а также в процессах распознавания и преобразования голосовых сигналов. ИНС способна оказать существенное влияние и на культуру, являясь основой создания искусственного интеллекта, аналогичному интеллекту человека. Несмотря на свои недостатки, обусловленные относительно небольшим сроком применения, модель нейронных сетей имеет большое значение для сферы информационных технологий.