Нейронные сети в распознавании образов

Далее сеть функционирует по следующему алгоритму:1.На входы сети подается неизвестный сигнал.2.Рассчитывается новое состояние нейронови новые значения аксонов , где f – активационная функция в виде скачка (рисунок).3. Проверка, изменились ли выходные значения аксонов за последнюю итерацию. Если да – переход к пункту 2, иначе (если выходы застабилизировались) – конец. При этом выходной вектор представляет собой образец, наилучшим образом сочетающийся с входными данными.Иногда сеть не может провести распознавание и выдает на выходе несуществующий образ. Это связано с проблемой ограниченности возможностей сети. Для сети Хопфилда число запоминаемых образов m не должно превышать величины, примерно равной 0.15*n. Кроме того, если два образа А и Б сильно похожи, они, возможно, будут вызывать у сети перекрестные ассоциации, то есть предъявление на входы сети вектора А приведет к появлению на ее выходах вектора Б и наоборот.ВозможностисетиХопфилдапозапоминанию образов ограниченывеличиной,которуюможно приблизить как , где n– число нейронов. Кроме того, сеть Хопфилда состоит из одного слоя, а значит, она не может решать линейно неразрешимые задачи. Грубо, работа всех сетей сводится к разбиению гиперпространства гиперплоскостями. Каждая полученная область является областью определения одного класса.Дж. Хопфилд сделал важный вклад как в теорию, так и в применение систем с обратными связями. Поэтому некоторые из конфигураций известны как сети Хопфилда.ЗаключениеПостоянно возрастающая сложность прикладных задач, лавинообразное увеличение объемов данных и их размерности делают актуальной проблему повышения эффективности алгоритмов, которые используютсяпри обученииискусственных нейронных сетей. Важнойстановится задачане просто обучить сеть, а построить такую нейронную сеть, которая наилучшим (в некотором смысле) образом решает поставленную прикладную задачу.Следовательно, перспективыразвития нейронных сетей в распознавании образов (изображений, букв, цифр и т.д.)связаны с повышением эффективности обучения сети. Конечная цель подобных исследований – ускорение процесса обучения нейронной сети, а также уменьшение количества корректировок параметров нейронной сети, которое напрямую влияет на возможность распараллеливания процесса обучения на кластерных вычислительных системах. Количество корректировок параметров сети определяет объем и частоту передачи данных, которыми необходимо обмениваться параллельно исполняющимся задачам. Снижение числа корректировок позволяет повысить эффективность распараллеливания алгоритмов.Список использованной литературыАндрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2004. – 424 с.Бессмертный И.А. Искусственный интеллект – СПб:СПбГУ ИТМО, 2010.– 132с.Люггер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2004. – 864 с. Старков Ф.А., Старков Е.Ф. Распознавание образов. Учеб.пособие – Курск: Издво Курск.гуманит.-техн. ин-т., 2000. – 140 с.Фомин Я. А. Распознавание образов: теория и применения. – 2-е изд. – М.: ФАЗИС, 2012. – 429 с.