Де знайти безкоштовні бібліотеки для програмування нейронних мереж?

Штучна нейронна мережа (ШНМ) – це математична модель, що представляє собою систему з'єднаних і взаємодіючих між собою нейронів.

Розглянемо будову біологічного нейрона. Кожен нейрон має відростки нервових волокон двох типів – дендрити, по яких приймаються імпульси, і єдиний аксон, по якому нейрон може передавати імпульс. Аксон контактує з дендритами інших нейронів через спеціальні утворення – синапси, які впливають на силу імпульсу.

Можна вважати, що при проходженні синапса сила імпульсу міняється у визначене число раз, яке ми будемо називати вагою синапсу. Імпульси, що надійшли до нейрона одночасно по декількох дендрита, підсумовуються. Якщо сумарний імпульс перевищує деякий поріг, нейрон збуджується, формує власний імпульс і передає його далі по аксону. Важливо відзначити, що ваги синапсів можуть змінюватися з часом, а значить, змінюється і поведінка відповідного нейрона.

ІНС успішно використовується в наступних областях:
• Розпізнавання символів тексту та інших об'єктів.
• Розпізнавання мови.
• Управління рухом транспортного засобу і т. д..
• Класифікація ситуацій.
• Кластеризація (категоризація) – класифікація без «вчителя».
• Прогнозування.
• Апроксимація.
• Прийняття рішень.

Нейронні мережі не програмуються у звичному розумінні цього слова, вони навчаються. Можливість навчання – одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технічно навчання полягає в знаходженні коефіцієнтів зв'язків між нейронами.

Розробникам рішення на основі нейронної мережі потрібно:
1. вибрати відповідну модель мережі, визначити топологію мережі (число елементів і їх зв'язку);
2. вказати параметри навчання.

На першому етапі слід вибрати наступне:
- які нейрони ми хочемо використовувати (число входів, передатні функції);
- яким чином слід з'єднати їх між собою;
- що взяти в якості входів і виходів нейронної мережі.
Найбільш популярні і вивчені архітектури – це багатошаровий перцептрон, нейронна мережа із загальною регресією, нейронні мережі Кохонена, мережа Ворда, мережа Хопфільда та інші.

На другому етапі нам слід "навчити" обрану нейронну мережу, тобто підібрати такі значення її терезів, щоб вона працювала потрібним чином. Ненавчена нейронна мережа подібна дитині – її можна навчити чому завгодно. У використовуваних на практиці нейронних мережах кількість ваг може становити кілька десятків тисяч, тому навчання – дійсно складний процес. Для багатьох архітектур розроблені спеціальні алгоритми навчання, які дозволяють настроїти ваги нейронної мережі певним чином. Найбільш популярний з цих алгоритмів – метод зворотного поширення помилки (Error Back Propagation), використовуваний, наприклад, для навчання перцептрона.

Безкоштовні пакети для створення нейронних мереж
Fann (С + +) з можливістю роботи на різних мовах через веб сервіси.
NeuralBase (Delphi)

Доповнення
Wikipedia.org – каталог термінів і деяких алгоритмів побудови нейромережі.
Стаття про міфи і реальностях використання нейромереж для аналізу руху цін.
Матеріали лекцій шкіл-семінарів з нейроінформатіке.
Лекції по машинному навчанню і нейронних мереж.

Форуми
Neuroproject.ru
Basegroup.ru

Джерела
Wikipedia.org
Neuroproject.ru


Category: Медицина і здоров'я

Comments (Прокоментуй!)

There are no comments yet. Why not be the first to speak your mind.

Leave a Reply