Нейронные системы и сети

Нейронные сети моделируют построение человеческого мозга, который состоит примерно из 10^{10 –} 10¹² нервных клеток – нейронов. Каждый нейрон можно рассматривать как преобразователь информации.

Электронные нейросхемы упрощенно моделируют поведение реальных нейронов. Технология их создания, обучения и эксплуатации состоит из следующей последовательности действий:

• Для решения конкретной проблемы выделяется набор параметров, которые определяют эксперты на основании опыта. Этот набор может быть избыточен и противоречив. Важность параметров определяется в процессе обучения и эксплуатации нейронной сети.

• Подбирается набор обучающих примеров. Каждый пример представляет собой набор входных параметров, для которого определены верные выходные значения, называемые эталонными.

• Производится первоначальная настройка сети: весовым коэффициентам, приписанным каждому из входных параметров, присваиваются случайные значения.

• Обучающие последовательности в определенном порядке предъявляются нейронной сети. Нейронная сеть формирует выходные значения, которые сопоставляются с эталонными. На основе этого сравнения происходит автоматическая коррекция весовых коэффициентов в нейронной сети, которую называют процессом обучения. В случае совпадения полученного значения с эталонным происходит увеличение весовых коэффициентов тех параметров, которые способствовали получению верного результата, и, наоборот, происходит понижение весовых коэффициентов тех параметров, которые способствовали выработке неверного решения.

• Процесс предоставления обучающих последовательностей повторяется многократно до тех пор, пока сеть не придет в стационарное состояние, т.е. результаты, вырабатываемые нейронной сетью с заданной вероятностью, совпадут с эталонными результатами.

После этого нейронная сеть считается настроенной (обученной) на определенную проблему, т.е. создана числовая матрица весовых коэффициентов, и ее можно использовать для решения реальных задач. В процессе эксплуатации нейронной сети также может происходить ее последующее обучение. Обучение нейронной сети стоит достаточно дорого и представляет собой длительный процесс. В дальнейшем пользователи сети могут и не знать методики обучения.

Реализация нейросетевых алгоритмов на обычном вычислительном оборудовании неэффективна. Поэтому используют вычислительные системы с такой архитектурой аппаратного и программного обеспечения, которая ориентирована на эффективную реализацию нейросетевых алгоритмов. Такие вычислительные системы принято называть нейрокомпьютерами. Элементную базу нейрокомпьютеров составляют специализированные нейроБИС. Нейрокомпьютеры могут представлять собой самостоятельные устройства, а также строиться на основе обычных вычислительных устройств за счет включения в них специальных нейроплат – нейроакселераторов для рабочих станций и ПК.

Системы извлечения знаний

Системы извлечения знаний («системы добычи знаний», «DM-системы» (date mining)) – это новые интеллектуальные технологии анализа данных, которые позволяют извлекать информацию (знания) из баз данных большого объема и глобальных информационных сетей.

Рассмотрим основные особенности таких систем:

• Обеспечение автоматического выявления причинно-следственных связей между атрибутами в реляционных БД. С их помощью можно получить ответы на такие вопросы, как: Какие факторы способствуют увеличению числа продаж того или иного товара? Какие события влияют на изменения котировок ценных бумаг? Если контролируемым параметром выступает время, то тогда появляется возможность отображать динамику валютных торгов, прогнозы пополнения сырьевых запасов и т.д. Кроме того, современные системы извлечения знаний способны не только находить корреляционные зависимости, но и оценивать вероятность каждой гипотезы. Наиболее мощные системы используют аппарат нечеткой логики и оперируют как количественными, так и качественными параметрами – «популярный», «прибыльный», «стабильный» и др.

• Автоматическая кластеризация данных для ответов. Например, можно получить ответы на такие вопросы: «На какие группы делятся клиенты банка?», «Какая группа наиболее представительна?». Пользователи могут также узнать параметры кластеризации такие, как количество и размер кластеров, черты типичного представителя данного класса объектов, четкость границ и др.

• Возможность автоматизированной обработки неструктурной текстовой информации.

• Способность к генерации итоговых отчетов в форме, максимально приближенной к тексту на естественном языке.

• Широта возможностей визуализации информации.

ЗАДАНИЯ ДЛЯ САМОКОНТРОЛЯ

1. Охарактеризуйте место операционных систем среди других видов программного обеспечения.

2. Каковы функции операционной системы?

3. Охарактеризуйте основные ступеньки эволюции операционных систем.

4. Охарактеризуйте функции основных компонент операционных систем.

5. В чем состоит назначение файловой системы ОС?

6. Что такое файл? Какие структуры файлов поддерживаются различными ОС?

7. Что такое текстовые редакторы? Для чего они нужны?

8. Какие возможности предоставляют текстовые редакторы?

9. Что такое графические редакторы? Для чего они нужны?

10. Что такое электронные таблицы? Для чего они нужны?

11. Что такое СУБД? Для чего они нужны?

12. Какие компоненты можно выделить в составе СУБД?

13. Что такое интегрированные системы? Для чего они нужны?