Нейронные сети. Применение нейронных сетей в автоматизации процессов



Быстрое развитие информационных технологий и их реализация во всех сферах жизни привели к тому, что сегодня невозможно представить даже маленькую вещь, которая не была бы оснащена информационной технологией. В то же время растет потребность в разработке новых интеллектуальных систем для поддержки управленческих решений и адаптации их к самому широкому спектру возможных условий. Наиболее перспективным направлением здесь является использование нейронных сетей.

Понятие «нейронная сеть» было сформировано У. Маккалоком и У. Питтсом в 1943 г. в статье о логическом исчислении идей и нервной активности. Нейронная сеть — математическая модель, а также её воплощение, построенная по принципу организации и функционирования биологических нейронных сетей.

В современной истории развития нейронных сетей выделяют этапы:

1949 г. — Д. Хебб предложил первый рабочий алгоритм обучения нейронных сетей

1958 г. — Ф.Розенблатт изобрел однослойный перцептрон и продемонстрировал его способность решать задачи классификации.

1969 г. — М. Минский публикует формальное доказательство ограниченности перцептрона, а соответственно, и его неспособность решать достаточно широкий круг задач.

1974 г. — П. Вербос разработал алгоритм обратного распространения ошибки для обучения многослойных перцептронов.

1982 г. — Т. Кохонен представил модель сети, обучающейся без учителя на основе самоорганизации.

1987 г. — Р. Хехт-Нильсон, решая временные ограничения сети обратного распространения ошибки, разработал сети встречного распространения, время обучения которых значительно меньше.

2007 г. — Д. Хинтоном создал алгоритмы глубокого обучения многослойных нейронных сетей.

Для определения области применения нейронных сетей нужно понимать их структуру и принцип работы.

Нейронная сеть представляет собой совокупность нейронов, соединенных между собой синопсисами. Нейрон — это минимальная вычислительная единица, которая, получая информацию, производит над ней вычисления и передает ее дальше. Нейроны делятся на три основных типа: входной — получает исходные данные, скрытый — проводит вычисления и выходной — представляет результат работы сети. По своему назначению нейроны делятся на слои. Синапс, как было сказано ранее — связь между двумя нейронами, обладающая «весом», благодаря которому информация изменяется при переходе из одного нейрона в другой.

Рис. 1. Схематичное изображение структуры нейронной сети

Сфера применения нейронных сетей очень разнообразна. При этом каждая из существующих нейронных сетей относится и обучается под установленные цели и задачи и не выходит за обозначенные границы, развиваясь только в этом направлении.

Для того чтобы нейросеть могла выполнять свои функции её необходимо обучить. Этот процесс представляет собой изменение внутренних параметров связей между нейронами в слоях, которые называются весами.

Один из самых распространённых метолов обучения — это обучение с учителем. Нейросети предоставляются вводные данные и выходные значения, которые связаны между собой. В этом случае веса, полученные в результате обучения, корректируются на основе ошибки между полученными и ожидаемыми выходными результатами. Цель такого обучения — минимизировать данную ошибку, чтобы нейросеть выдавала максимально точный результат.

Обучение без учителя — это иной подход действий, обычно применяемый для решения задач, где необходимо найти связи внутри обучающей выборки или найти закономерность в исходных данных. В этом случае нейросеть самостоятельно распределяет веса, пока не стабилизирует алгоритм и их значения не перестанут меняться. Роль человека при таком обучении — сообщить нейросети правильный ли результат выдала нейросеть и не нужно ли изменить входные данные или параметры весов.

Нейронные сети используются в пропорционально-интегрально-дифференцирующих (ПИД) регуляторах. для построения самого регулятора и для построения блока настройки коэффициентов ПИД регулятора.

В отличие от нечеткого лингвистического регулятора, регулятор при использовании нейронной сети не требуется формулировки правил — вполне достаточно, чтобы пару раз была произведена настройка регулятора в процессе обучения нейронной сети.

Процедура обучения сети — самая сложная часть в создании регулятора. Обучение заключается в идентификации неизвестных параметров нейронов. Для обучения обычно используют методы градиентного поиска минимума критериальной функции, зависящей от параметров нейронов.

При настройке ПИД регулятора с помощью нейронных сетей большой преградой является длительность процесса обучения, из-за чего это может сказаться на пути широкого использования нейронных сетей в ПИД регуляторах. Нейронные сети не могут предсказать погрешности регулирования, которые не были учтены в процессе обучения. Они долги в обучении и не имеют диапазона и количество обучающих воздействий.

Нейросети могут применяться даже в таких сферах, как здоровье и жизнеобеспечение человека, причём напрямую взаимодействуя с ним. Обученные нейросети способны помогать людям с ограниченными возможностями и отсутствующими конечностями.

Биопротезы представляют собой техническое устройство, напрямую подключённое к человеческому телу и способное реагировать на импульсы мозга. Для этого используются подключённые мио-датчики электрического потенциала, которые реагируют на напряжение определённых мышц и таким образом определяют желаемое движение конечности. Дальше сигнал передаётся встроенному микроконтроллеру, обрабатывающему его, и получается тот жест, который хотел совершить человек. Чем больше датчиков, тем больше жестов может совершать протез и тем сложнее его контролировать. Для этого и приходят на помощь нейросети.

Нейросеть способна предсказывать желаемые жесты на основе полученных сигналов, что позволяет ускорить связь между мозгом и реакцией протеза, а также определять необходимые движения в зависимости от его положения. Например, человек хочет взять стакан — для этого необходимо напрячь определённые мышцы, поставить биопротез в правильное положение и поднести его к стакану. Если подключить к задаче нейросеть и камеру, встроенную в ладонь, то она будет способна предсказать желание действия заранее, подстроить необходимую позицию и даже определить, с какой силой нужно совершить сжатие, чтобы не смять пластиковый стаканчик или крепко обхватить более твёрдое изделие.

Также можно облегчить использование и проектирование протезов, стартуя с универсальных вариантов, которые будут подстраиваться под владельца, использовав обучающуюся нейросеть. Например, биопротезы ног, которые отталкивают человека с определённой силой под определённым углом. Учитывая различия походки и параметров тела, со временем из-за неправильных нагрузок могут страдать мышцы и скелет, а также изнашиваться протез. Чтобы этого не происходило можно встраивать нейросеть, которая со временем использования научится определять, как правильно наклонять стопу во время ходьбы, на сколько градусов её поворачивать, как быстро менять эти параметры в зависимости от скорости передвижения.

Рабочие процессы в медицинских учреждениях неразрывно связаны со сбором, обработкой и анализом различных медицинских изображений таких как рентген и компьютерная томография. Из-за этого нейронные сети, которое занимается работой с изображениями являются одними из перспективных направлений в медицинской диагностике патологий.

Используя возможность нейронных сетей определять образы создаются решения, позволяющие обнаруживать раковые пятна по снимкам и при помощи их анализа давать диагноз. Существуют нейронные сети, обученные на достаточно большой выборке гистологических снимков, которые определяют вид рака с точностью ~97 %.

Как пример рабочего решения можно привести разработку израильской компании MedyMatch Technology — система, на базе искусственных нейронных сетей и технологии больших данных, которая помогает врачам диагностировать инсульт. Для этого в режиме реального времени система сравнивает снимок мозга пациента с тысячами других снимков, находящимися на её серверах. При помощи этого система может отслеживать минимальные отклонения от нормы в результатах компьютерной томографии. Таким образом система уменьшает величину ошибки постановки диагноза.

Также в медицине нейронные сети применяются для поиска новых лекарств. В 2019 г. Массачусетским технологическим институтом были проведены исследования антибиотиков с использованием нейронных сетей глубокого обучения, результатами которых стало открытие антибактериальных свойств химического соединения SU-3327, которое после получило название «Халицин».

Литература:

1. Нейронные сети и нейроконтроллеры: учеб. пособие/ М. В. Бураков. — СПб.: ГУАП, 2013. — 284 с.: ил
2. Искусственные нейронные сети и приложения: учеб. пособие / Ф. М. Гафаров, А. Ф. Галимянов. — Казань: Изд-во Казан. ун-та, 2018. — 121 с.
3. Журнал. «Вестник Волжского университета им. В. Н. Татищева» 2015 г. статья «История развития нейронных сетей» / Горбачевская Е. Н., Краснов С.С
4. Нейросетевые технологии обработки данных: учеб. пособие / В. А. Головко, В. В. Краснопрошин. — Минск: БГУ, 2017. — 263 с. — (Классическое университетское издание)
5. Ghazal Ghazaei, Ali Alameer, Patrick Degenaar, Graham Morgan and Kianoush Nazarpour, «Deep learning-based artificial vision for grasp classification in myoelectric hands»/ 2017 J. Neural Eng. 14 036025
6. «Студенты ДВФУ создали протез ноги, обученный нейросетью ходить», https://www.dvfu.ru/news/fefu-news/studenty_dvfu_sozdali_protez_nogi_obuchennyy_neyrosetyu_khodit/ (дата обращения 12.12.2022)
7. Искусственные нейронные сети в ПИД регуляторах — https://helpiks.org/7–63913.html — (дата обращения 12.12.2022)
8. Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks / Jason W. Wei, Laura J. Tafe, Yevgeniy A. Linnik, Louis J. Vaickus, Naofumi Tomita, Saeed Hassanpour, 2019
9. Applications of artificial neural networks in health care organizational decision making: A scoping review / Nida Shahid, Tim Rappon, Whitney Berta, 2019.