CC BY
7
сближению нового слова с уже существующим и «копированию» его грамматических характеристик, в частности, родовой принадлежности.».[4]
Подводя итоги, можно сказать, что появление корпусной лингвистики стало огромным прорывом в лингвистике, как в целом. Существование корпусов текстов заметно ускорило, упростило работу лингвистов, дало возможность изучить настоящее состояние языка любому интересующемуся.
Использованные источники:
1. Фонд знаний «Ломоносов» [Электронный ресурс] URL: http://www.lomonosov-fund.ru/enc/ru/encyclopedia:0127221:article
2. Национальный корпус русского языка [Электронный ресурс] URL: http://ruscorpora.ru/corpora-other.html
3. Комаров Е. В. КОРПУСНОЕ ИССЛЕДОВАНИЕ МЕТАФОР, ОБЪЕКТИВИРУЮЩИХ КОНЦЕПТ «^ACTbE» В СОВРЕМЕННОМ РУССКОМ ЯЗЫКЕ // В мире науки и искусства: вопросы филологии, искусствоведения и культурологии: сб. ст. по матер. LIX междунар. науч.-практ. конф. № 4(59). - Новосибирск: СибАК, 2016. - С. 65-72.
4. Савчук С.О. Корпусное исследование вариантов родовой принадлежности имен существительных в русском языке // Компьютерная лингвистика и интеллектуальные технологии: по матер. ежегодной междунар. конф. «Диалог» (Бекасово, 25-29 мая 2011 г.). № 10 (17). М.: Изд-во РГГУ, 2011. С 562-579.
5. Корпусная лингвистика, основано на дипломн. работе студ. СПбГУ филологич. факультета Л.В. Северюхиной «Моделирование логико-понятийной области корпусной лингвистики»; URL: http://corpora.iling.spb.ru/theory.htm
6. Wikipedia [Электр. рес.] URL https://en.wikipedia.org/wiki/Corpus linguistics
УДК 004.048
Лазченко В.Р. студент бакалавриата, 2 курса факультет «Информатика и вычислительная техника»
Барашко Е.Н.
научный руководитель, стпреподаватель Донской Государственный Технический Университет
Россия, г. Ростов-на-Дону ПРИМЕНЕНИЕ МОДЕЛИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ПРОБЛЕМЫ ОБРАБОТКИ И АНАЛИЗА
ИНФОРМАЦИИ
Аннотация
В статье рассматриваются распространенные проблемы алгоритмов обработки и анализа информации, а также способ решения данной проблемы путем использования модели искусственных нейронных сетей. Исследуется строение базового типа нейронных сетей, а также принцип работы и роль алгоритма данной модели в сфере информационных технологий.
Ключевые слова
Алгоритмы, нейронные сети, модель ИНС, IT.
Abstract
The article discusses the common problem of algorithms of processing and analysis of information, and how to solve this problem by using models of artificial neural networks. Examines the structure of basic type of neural networks, as well as the working principle and the role of the algorithm of this model in the field of information technology.
Keywords
Algorithms, neural networks, the Ann model of IT.
В современное время развитие сферы информационных технологий (1Т) 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).
Проме жуточные данные
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^е1§Ы:). 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
решить данную задачу. Это возможно благодаря выявлению и учету скрытых взаимосвязей между всеми параметрами(факторами), участвующих в задаче.
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.
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.
Использованные источники:
1. Галушкин А.И. Теория нейронных сетей. - Москва, 2010 г - 415[3;20]
2. Саймон Хайкин. Нейронные сети. - Москва, 2008 г - 1103[1;17]
