CC BY
20
УДК 004.85
Макаров Д.А. студент
факультет «Информатика и системы управления»
Шибанова А.Д. студент
факультет «Робототехника и комплексная автоматизация»
Московский государственный технический университет имени Н.Э. Баумана Россия, г. Москва
СТРУКТУРА НЕЙРОННЫХ СЕТЕЙ
Аннотация: в данной статье рассмотрено устройство нейронных сетей. Рассмотрена структура биологической нервной системы, а затем ее аналога - нейронной сети. Рассмотрен искусственный нейрон. Сделан вывод об актуальности технологий нейронных сетей.
Ключевые слова: нейронная сеть, нейрон, аксон, сигнал.
Makarov D.A. student
Faculty of Informatics and Management Systems Moscow State Technical University named after N.E.
Bauman Russia, Moscow Shibanova A.D. student
Faculty of Robotics and complex automation Moscow State Technical University named after N.E.
Bauman Russia, Moscow THE STRUCTURE OF NEURAL NETWORKS
Annotation: this article describes the structure of neural networks. The structure of the biological nervous system and then its analogue, the neural network, are examined. Considered an artificial neuron. The conclusion about the relevance of neural networks technology.
Keywords: neural network, neuron, axon, signal.
В последнее время значительно возрос интерес общества к нейронным сетям в связи с тем, что их применение возможно в самых различных научных областях - в медицине, физике, геологии и т.д., а также в бизнесе. Нейронные сети используются всегда, когда требуется решать задачи, касающиеся прогнозирования, управления, классифицирования. Причины столь активного использования нейронных сетей заключаются в следующем: нейронные сети являются достаточно мощным методом моделирования, таким образом, позволяют воспроизводить сложные многоуровневые
зависимости. Также стоит учитывать главную особенность нейронных сетей: они не линейны, и этим кардинально отличаются от иных методов, позволяющих решать аналогичные задачи. В течение долгого времени линейное моделирование было основным методом моделирования во всех областях, где данные технологии требовались. Такая популярность данного метода была обусловлена тем, что для линейного моделирования были хорошо разработаны процедуры оптимизации. Но некоторые задачи практически невозможно грамотно решить, принимая данную линейную аппроксимацию, соответственно, в таких случаях линейные методы не работают. Еще одним фактором, доказывающим необходимость использования нейронных сетей, является то, что нейронные сети позволяют решить проблему невозможности моделирования линейных зависимостей в случае большого числа переменных.
Пользователь нейронной сети должен обладать базовыми знаниями о способах отбора и подготовки данных, должен уметь выбирать нужную архитектуру сети и проводить грамотную интерпретацию полученных результатов. Однако уровень навыков пользователя, необходимый для успешного применения данного метода на практике, гораздо ниже, чем требовалось бы при работе с классическими методами статистики [1]. Нейронные сети также интересны тем, что в их основании лежит примитивная биологическая модель нервных систем. Именно поэтому нейронные сети интересны не только с точки зрения удобства и эффективности их применения, но и сами по себе - как явление. В будущем, по прогнозам специалистов, развитие подобных нейронных-биологических моделей позволит создать действительно разумные компьютеры.
Долгое время ученые работали над созданием искусственного интеллекта, пытаясь создать модель биологических нервных систем, способных принимать и обрабатывать новую информацию, запоминать связи, исправлять возникающие ошибки. Большинство исследований 60-80 гг. проводились при помощи экспертных систем, базирующихся на высокоуровневом моделировании мыслительного процесса. Но очень быстро специалисты пришли к выводу, что данные системы, являясь действительно очень хорошим инструментом работы в некоторых сферах науки, все же не способны учитывать важнейшие способности и характеристики интеллекта человека. Ученые нашли объяснение этому несовершенству экспертных систем: они не способны в точности повторять структуру человеческого мозга, соответственно, требуется система с архитектурой, структурно его напоминающей, и тогда создание искусственного интеллекта будет возможно.
Человеческий мозг состоит из огромного числа (превышающего 10 000 000 000) нейронов, которые соединяются между собой нейронными связями (несколько тысяч связей на один нейрон, впрочем, это значение не может быть точным из-за постоянных колебаний). Нейроны являются особыми клетками, способными распространять электрохимические
сигналы, имеющими разветвленную структуру получения информации (дендриты), ядро, разветвленную структуру вывода информации (аксоны). Аксоны одной клетки соединяются с дендритами других клеток при помощи синапсов. Нейрон активируется, если суммарный уровень сигналов, поступивших в его ядро из дендритов, превысит порог активации, далее нейрон отправляет по аксону электрохимический сигнал, который через синапсы поступает к другим клеткам, которые тоже могут активироваться. Интенсивность сигнала прямо пропорциональна активности синапсов, каждый из которых имеет свою протяженность, а определенные химические вещества передают вдоль синапсов сигналы.
Известный ученый Дональд Хебб, специалист в области физиологии и нейропсихологии, сделал вывод, что способность к обучению появляется как раз из-за изменения силы синаптических связей. В качестве примера можно рассмотреть всем известный опыт Павлова: перед тем, как дать собаке еду, звонили в колокольчик; после многократного повторения данной последовательности действий собака научилась связывать звонок колокольчика с ожиданием кормления. Синаптические связи, проходящие между участками коры головного мозга, ответственные за слух, и слюнными железами усилились, соответственно, при возбуждении данной связи в коре мозга у собаки начиналось слюноотделение.
Конечно же, сейчас рассмотрена упрощенную схему устройства мозга, не учтены некоторые его сложные особенности, но, в целом, стало ясно, что его структура состоит из огромного числа довольно простых элементов, передающих друг другу электрохимические сигналы. Но несмотря на достаточно простую организацию, мозг способен решать невероятно сложные задачи, и примечательно то, что искусственные нейронные сети, являющиеся упрощенной моделью биологических сетей, также способны достичь удивительных результатов.
Для отражения сути нейронных систем определим нейрон следующим образом: нейрону отправляются данные через несколько входных каналов. Сигналы идут по соединениям (синапсам), каждое из которых имеет вес. Величина активации нейрона получается путем вычитания из взвешенной суммы входных сигналов порогового значения нейрона [2]. Выходной сигнал получается путем преобразования величины активации нейрона функцией активации. При использовании ступенчатой функции активации такой нейрон будет работать похоже на естественный нейрон. Однако пороговые функции редко применяются на практике. Следует учитывать, что вес связей может быть отрицательным, и, соответственно, оказывать тормозящее влияние на нейрон. Сеть прямой передачи сигнала является простейшей. Сигналы идут от входов нейронной сети к ее выходам через скрытые элементы [3].
Применение нейронных сетей возможно в медицине, физике, геологии и т.д., а также в бизнесе и других областях деятельности человека. Они обеспечивают значительное повышение уровня автоматизации и тем самым
обеспечивается их растущая популярность.
Использованные источники:
1. С. Николенко, А. Кадурин, Е. В. Архангельская. Глубокое обучение. Погружение в мир нейронных сетей - Санкт-Петербург: Питер, 2018. - 481 с.
2. Т. Рашид. Создаем нейронную сеть - Москва: Вильямс, 2018. - 272с.
3. Структура искусственной нейронной сети прямого распространения. [Электронный ресурс]. Режим доступа: https://neuronus.com/theory/nn/241-struktura-iskusstvennoj -nejronnoj -seti-pryamogo-rasprostraneniya.html (дата обращения 03.01.2019).
УДК 004.051
Тутов И.М. студент магистратуры 1 курса Институт Инженерных и Цифровых Технологий Белгородский Государственный национальный исследовательский университет Россия, г. Белгород АНАЛИЗ РЫНКА СРЕДСТВ КРИПТОГРАФИЧЕСКОЙ ЗАЩИТЫ
ИНФОРМАЦИИ В РОССИИ Аннотация: в данной статье рассматриваются существующие на Российском рынке организации, занимающиеся разработкой и внедрением средств криптографической защиты информации. Кратко обозреваются возможности данных средств, выявляются критерии выбора/ В итоге выбирается наиболее подходящее решение.
Tutov I.M. Student - master
1 year, Institute of Engineering and Digital Tecnologies BELGOROD NATIONAL RESEARCH UNIVERSITY
BELGOROD
THE ANALYSIS OF THE MARKET FOR INTEGRATED SECURITY SYSTEMS IN THE BELGOROD REGION
Abstract: in this article discusses the existing market in the Russian region organizations engaged in the development and implementation of cryptographic protection of information. The capabilities of these tools are briefly reviewed, the selection criteria are identified, and the most appropriate solution is selected.
Сегодня информация несет высочайшую ценность. Как и любую ценную вещь, информацию необходимо защищать. Ведь может случиться так, что информацию можно нечаянно удалить, потерять вследствие вирусных атак, аппаратных сбоев, а также несанкционированного доступа к информации.
Под действиями по защите информации понимаются те действия, что связаны с ее закрытостью для посторонних лиц. Сюда относятся самые
