CC BY
56
ее более доступной для веб-разработчиков, которые не хотят иметь дело с деталями SD-математики и низкого уровня
Использованные источники:
1. Мацудо К. «WebGL: программирование трехмерной графики» [текст]/ К. Мацудо, Л. Роджер. - ДМК Пресс, 2015 С. - 494
2. «Blend4Web.Руководство пользователя» / [Электронный [https://www.blend4web.com/pub/b4w_manual_ru.pdf]
3. «3D в вебе - выбор технологии» / [Электронный [https://habrahabr.ru/post/149025/]
4. «List of WebGL frameworks» / [Электронный [https://en.wikipedia.org/wiki/List_of_WebGL_frameworks]
УДК 004.032.26
Хамидулин Т. Г. студент 4 курса
факультет информационных систем и технологий Поволжский государственный университет телекоммуникаций и информатики
Россия, г. Самара ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Аннотация: Эта работа представляет собой описание искусственных нейронных сетей. Описываются приложения нейронных сетей, таких как ИСН в медицине. Также исследуется и объясняется связь между искусственным и реальным. Наконец, представлены и продемонстрированы математические модели.
Ключевые слова: Искусственные нейронные сети.
Khamidulin T. G. student 4 courses Faculty of Information Systems and Technologies Povolzhsky State University of Telecommunications and
Informatics Russia, Samara APPLICATION OF ARTIFICIAL NEURAL NETWORKS Annotation: This work is a description of artificial neural networks. The application of neural networks, such as ANN in medicine, is described. The relationship between the artificial and the real is also explored and explained. Finally, mathematical models are presented and demonstrated. Key words: Artificial neural networks.
Искусственная нейронная сеть (ИСН) - это парадигма обработки информации, которая вдохновляется биологическими нервными системами, такими как мозг, информация о процессе. Ключевым элементом этой парадигмы является новая структура системы обработки информации. Он состоит из большого числа взаимосвязанных обработанных элементов (нейронов), работающих в унисон, для решения конкретных проблем. ИСН,
ресурс] ресурс] ресурс]
как и люди, учатся на примере. ИСН настраивается для конкретного приложения, такого как распознавание образов или классификация данных, посредством учебного процесса. Обучение в биологических системах включает в себя корректировки синаптических связей, существующих между нейронами. Это относится и к ИСН.
Зачем использовать нейронные сети ?
Нейронные сети с их замечательной способностью извлекать смысл из сложных или неточных данных могут быть использованы для извлечения шаблонов и выявления тенденций, которые слишком сложны, чтобы их заметили люди или другие компьютерные методы. Обученную нейронную сеть можно рассматривать как «эксперт» в категории информации, которую она дала для анализа. Затем этот эксперт можно использовать для предоставления прогнозов с учетом новых интересующих ситуаций и ответа на вопрос «что, если».
Другие преимущества:
1. Адаптивное обучение: способность учиться выполнять задания на основе данных, данных для обучения или начального опыта.
2. Самоорганизация: ИСН может создать свою собственную организацию или представление информации, которую она получает во время обучения.
3. Операция в реальном времени: вычисления ИСН могут выполняться параллельно, и разрабатываются и производятся специальные аппаратные устройства, которые используют эту возможность.
4. Отказоустойчивость с помощью избыточного информационного кодирования. Частичное разрушение сети приводит к соответствующему снижению производительности. Однако некоторые сетевые возможности могут сохраняться даже при серьезном сетевом повреждении.
Нейронные сети против обычных компьютеров.
Нейронные сети используют другой подход к решению проблем, чем обычные компьютеры. Обычные компьютеры используют алгоритмический подход, т.е. компьютер следует набору инструкций для решения проблемы. Если не известны конкретные шаги, которые необходимо выполнить компьютеру, компьютер не может решить проблему. Это ограничивает возможности решения проблем на обычных компьютерах проблемами, которые мы уже понимаем, и умеем решать. Но компьютеры были бы намного полезнее, если бы они могли делать то, что мы точно не знаем, как это сделать.
Нейронные сети обрабатывают информацию аналогичным образом, как это делает человеческий мозг. Сеть состоит из большого количества взаимосвязанных обработанных элементов (нейронов), работающих параллельно, для решения конкретной проблемы. Нейронные сети учатся на примере. Они не могут быть запрограммированы для выполнения конкретной задачи. Примеры должны быть выбраны тщательно, иначе полезное время будет потрачено впустую или, что еще хуже, сеть может
работать некорректно. Недостатком является то, что, поскольку сеть узнает, как решить проблему сама по себе, ее работа может быть непредсказуемой.
С другой стороны, обычные компьютеры используют когнитивный подход к решению проблем; Способ решения проблемы должен быть известен и изложен в небольших недвусмысленных инструкциях. Эти инструкции затем преобразуются в языковую программу высокого уровня, а затем в машинный код, который компьютер может понять. Эти машины полностью предсказуемы; Если что-то пойдет не так, это связано с программным или аппаратным сбоем.
Нейронные сети и обычные алгоритмические компьютеры не конкурируют, а дополняют друг друга. Есть задачи, более подходящие для алгоритмического подхода, такого как арифметические операции и задачи, более подходящие для нейронных сетей. Более того, для большого количества задач требуются системы, которые используют комбинацию двух подходов (обычно обычный компьютер используется для наблюдения за нейронной сетью) для максимальной эффективности.
Нейронные сети не совершают чудес. Но если использовать разумно, они могут произвести некоторые удивительные результаты.
Нейронные сети на практике
Учитывая это описание нейронных сетей и то, как они работают, для каких приложений реального мира они подходят? Нейронные сети имеют широкое применение в реальных бизнес-задачах. Фактически, они уже успешно применяются во многих отраслях.
Поскольку нейронные сети лучше всего подходят для определения моделей или тенденций в данных, они хорошо подходят для прогнозирования, в таких областях как:
• прогноз продаж
• контроль промышленных процессов
• исследование клиентов
• валидация данных
• управление рисками
• целевой маркетинг
ИСН также используются в следующих конкретных парадигмах:
• Опознавание ораторов в сообщениях;
• Диагностика гепатита;
• Восстановление телекоммуникаций от неисправного программного обеспечения;
• Интерпретация многоязычных китайских слов;
• Обнаружение подводных мин;
• Анализ текстуры;
• Трехмерное распознавание объектов;
• Рукописное распознавание слов;
• Распознавание лица.
• Нейронные сети в медицине
Искусственные нейронные сети (ИСН) в настоящее время являются «горячей» областью исследований в медицине, и считается, что в ближайшие годы они получат широкое применение в биомедицинских системах. На данный момент исследования в основном касаются моделирования частей человеческого тела и распознавания болезней от различных сканирований (например, кардиограммы, сканирование CAT, ультразвуковое сканирование и т. Д.).
Нейронные сети идеальны для распознавания заболеваний с помощью сканирований, поскольку нет необходимости предоставлять конкретный алгоритм определения того, как идентифицировать заболевание. Нейронные сети учатся на примере, поэтому детали того, как распознать болезнь, не нужны. Нужен набор примеров, которые являются репрезентативными для всех вариаций болезни. Количество примеров не так важно, как «количество». Примеры должны быть выбраны очень тщательно, если система должна выполнять надежно и эффективно.
Моделирование и диагностика сердечно-сосудистой системы.
Нейронные сети используются экспериментально для моделирования сердечно-сосудистой системы человека. Диагноз может быть достигнут путем построения модели сердечно-сосудистой системы человека и сравнения ее с физиологическими измерениями в реальном времени, взятыми у пациента. Если эта процедура проводится регулярно, потенциальные вредные медицинские условия могут быть обнаружены на ранней стадии и, таким образом, значительно облегчить процесс борьбы с болезнью.
Модель сердечно-сосудистой системы человека должна имитировать взаимосвязь между физиологическими переменными (например, частотой сердечных сокращений, систолическим и диастолическим давлением крови и частотой дыхания) на разных уровнях физической активности. Если модель адаптирована к индивидууму, то она становится моделью физического состояния этого человека. Симулятор должен будет иметь возможность адаптироваться к особенностям любого человека без надзора за экспертом. Это требует нейронной сети.
Еще одна причина, которая оправдывает использование технологии ИСН, - это способность ИСН обеспечивать слияние датчиков, что является сочетанием значений с нескольких разных датчиков. Слияние датчиков позволяет ИСН изучить сложные отношения между отдельными значениями датчиков, которые в противном случае были бы потеряны, если бы значения были индивидуально проанализированы. В медицинском моделировании и диагностике это подразумевает, что даже если каждый датчик в наборе может быть чувствительным только к определенной физиологической переменной, ИСН способны обнаруживать сложные медицинские условия путем слияния данных с отдельных биомедицинских датчиков.
Электронные носы.
Экспериментально используются ИСН для внедрения электронных носов. Электронные носы имеют несколько потенциальных применений в телемедицине. Телемедицина - это практика медицины на больших расстояниях по линии связи. Электронный нос идентифицирует запахи в удаленной хирургической среде. Затем эти идентифицированные запахи будут передаваться электронным способом на другой сайт, где система генерации двери будет воссоздавать их. Поскольку обоняние может быть важным для хирурга, телесмел усилил бы телесную хирургию.
Мгновенный врач.
Приложение, разработанное в середине 1980-х годов под названием «мгновенный врач» воспитал искусственную нейронную сеть для памяти хранить большое количество медицинских записей, каждая из которых включает в себя информацию о симптомах, диагностике и лечению для конкретного случая. После обучения сеть может быть представлена вход, который состоит из набора симптомов; он будет найти полный сохраненный шаблон, который представляет «лучший» диагноз и лечение.
Нейронные сети в бизнесе
Почти любое нейронная сеть приложение впишется в одной области бизнеса или финансовый анализ.
Существует некоторый потенциал для использования нейронных сетей для бизнес - целей, в том числе распределения ресурсов и планирования. Существует также большой потенциал для использования нейронных сетей для добычи полезных ископаемых базы данных, то есть, поиск моделей неявных в явном виде хранимой информации в базах данных. Большая часть накопительных работ в этой области классифицируются как собственность. Таким образом, не представляется возможным представить доклад о полном объеме работы продолжаются. Большинство работ применения нейронных сетей, таких как Хопфилда-Танк сети для оптимизации и планирования.
Маркетинг
Существует маркетинговое приложение, которое было интегрировано с нейронной сетью системой. Авиакомпания Маркетинг Тактик (торговая марка сокращенно AMT) представляет собой компьютерную систему, состоящую из различных интеллектуальных технологий, в том числе экспертных систем. Упреждением нейронная сеть интегрирована с AMT и была обучена с использованием обратного распространения, чтобы помочь контроль маркетинга ассигнований авиакомпании сиденье. Адаптивная нейронная подход поддающийся исключает выражение. Дополнительная окружающая среда приложения быстро и постоянно изменяется, что требовало непрерывного адаптивного решения. Система используется для мониторинга и рекомендовать консультацию бронирования для каждого вылета. Такая информация имеет прямое влияние на прибыльность авиакомпании и может обеспечить технологическое преимущество для пользователей системы.
Несмотря на то, что важно, что нейронные сети были применены к этой проблеме, важно также, чтобы увидеть, что эта интеллектуальная технология может быть интегрирована с экспертными системами и другими подходами, чтобы создать функциональную систему. Нейронные сети были использованы для обнаружения влияния неопределенных взаимодействий с помощью различных переменных. Хотя эти взаимодействия не были определены, они были использованы нейронными системами для разработки полезных выводов. Заключение
Способность искусственных нейронных сетей учиться на примере делает их очень гибким и мощным инструментом. Кроме того, нет никакой необходимости, чтобы разрабатывать алгоритм для выполнения конкретной задачи; т.е. нет необходимости понимать внутренние механизмы выполнения этой задачи.
Нейронные сети также способствуют другим областям исследований, таким как неврология и психологии. Они регулярно используются для моделирования частей живых организмов и исследовать внутренние механизмы мозга.
Пожалуй, самый интересный аспект нейронных сетей является возможность того, что сети в один прекрасный день «забывшись» может быть воспроизведено.
Наконец, несмотря на то, нейронные сети имеют огромный потенциал, мы будем получать лучшее, когда они интегрированы с вычислительной техникой, искусственным интеллектом, нечеткой логикой и связанными с ними вопросами.
Использованные источники:
1. Neural Networks at Pacific Northwest National Laboratory http://www.emsl.pnl.gov:2080/docs/cie/neural/neural.homepage.html
2. Artificial Neural Networks in Medicine http://www.emsl.pnl.gov:2080/docs/cie/techbrief/NN.techbrief.ht
3. Industrial Applications of Neural Networks (research reports Esprit, I.F.Croall, J.P.Mason)
4. A Novel Approach to Modelling and Diagnosing the Cardiovascular System http://www.emsl.pnl.gov:2080/docs/cie/neural/papers2/keller.wcnn95.abs.html
5. Electronic Noses for Telemedicine
http://www.emsl.pnl.gov:2080/docs/cie/neural/papers2/keller.ccc95.abs.html
6. An Introduction to Computing with Neural Nets (Richard P. Lipmann, IEEE ASSP Magazine, April 1987)
7. Pattern Recognition of Pathology Images http://kopernik-eth.npac.syr.edu:1200/Task4/pattern.html
8. Davalo E., Naïm P. Multi-layer Neural Networks //Neural Networks. -Macmillan Education UK, 1991. - С. 36-62.
9. Rumelhart D. E., Hinton G. E., Williams R. J. Leanrning representations by back-propagating errors. - na, 1986.
