Neironu tīkli un to pielietošanas iespējas

Autors: Nezināms

Darba mērķis ir izpētīt iespējamās neironu tīklu struktūras un dažādus optimizācijas algoritmus, ka arī to izmantošanas aspektus.

Kā maģistra darba rezultāts tika izveidota dinamiskā pieslēguma bibliotēka NeuroDll.dll un neironu tīklus modelējošā programma NeuroNet.exe. Šī programma ļauj izveidot dažādas arhitektūras un sarežģītības pakāpes neiru tīklus, kuru apmācība noris pēc atgriezeniskās kļūdas izplatības algoritma. Dotā programma dod diezgan plašas iespējas, manipulējot ar dažādiem tīkla un optimizācijas algoritma parametriem, tai skaitā var regulēt pārraides funkcijas nelineāritātes pakāpi, tādējādi diezgan precīzi pieskaņojot izveidoto neironu tīklu risināmajam uzdevumam. Programma izmanto Java apletus, lai attēlotu tīkla darbības rezultātus. Tādējādi tas ļauj diezgan plaši izmantot doto programmu. Programma ir spējīga efektīvi strādāt gan ar binārajiem failiem (grafisku tēlu atpazīšana), gan arī analizēt reālas laika rindas (sinusa laika rinda, logistisku rindu analīze utt.). Dotā programma ir domāta visiem interesentiem, kuri vēlas apgūt neironu tīklu darbības principus, kā arī tos izmantot savu uzdevumu risināšanā. 

Strādājot pie maģistra darba, tika konstatētas diezgan plašas neironu tīklu izmantošanas iespējas, kā arī noskaidrots, ka neiro-tīkli spēj diezgan efektīvi uztvert laika rindu nelineāro struktūru. Salīdzinot neiro-tīklus ar statistiskās matemātikas laika rindu analīžu metodēm (lineārā auto regresija uc.), kuras pieņem, ka laika rindās ir lineāras likumsakarības, tās spēj daudz labāk aproksimēt nelineārās funkcijas un līdz ar to izveidot interesējošā procesa kvalitatīvāku modeli. Tika veikta virkne eksperimentu ar neironu tīkliem, analizējot dažādas laika rindas (klasisks sinuss, reāla tirgus modeļa analīze). Šo eksperimentu rezultāti apstiprina augstāk minēto apgalvojumu, tas ir vienmēr var izveidot nepieciešamās struktūras neironu tīklu, kas dos vēlamu rezultātu.

Dotais zīmējums rāda kā neironu tīkls spēj uztvert datu struktūru, ko veido sinusa funkcija (notika sinusa vērtību prognozēšana). Dotais grafiks ir izveidots no tādiem tēliem, kuri netika iekļauti apmācības procesā. Pieskaņojot optimizācijas algoritma parametrus un pie ilgstošāka apmācības laika, var panākt daudz lielāku sakritības pakāpi.

Protams, nevajag meklēt likumsakarības tur, kur viņu vienkārši nav, jo tas tik un tā novedīs pie nulles rezultāta. Ir iespējams apmācīt neironu tīklus pat uz laika rindas, ko uzģenerē nejaušu skaitļu ģenerators. Bet tas būs pilnīgi nederīgs prognozējot nākošās laika rindas vērtības.

Mākslīgajiem neironu tīkliem kā tādiem nav īpašas vērtības, ja nav kvalitatīvi sagatavotu datu. Tas ir tāpat kā dators bez programmatūras. Datu sagatavošana un pirmsapstrāde ir ļoti būtisks, ja ne pats galvenais etaps neironu tīklu izmantošanas procesā. Kvalitatīvi sagatavoti dati spēj ietaupīt daudzas pūles un pasargāt no vilšanās. Ar to tiek saprasts ieejas telpas dimensiju skaita noteikšana un datu apstrāde, lai padarītu apmācības tēlus daudz informatīvākus un reprezentablākus. Ir jācenšas atrast kompromisa variantu starp ieejas tēlu informativitāti un neironu tīklu sarežģītības pakāpi. Izmēģinot vairākas tīkla struktūras un pieskaņojot optimizācijas parametrus var atrast optimālu risinājumu.

Rezumējums: Es gribu pasvītrot to faktu, ka neiro-tīklu metodēm nav iepriekšēju zināšanu par pētāmo modeli, bet vienīgais, kas ir nepieciešams – mērķa mainīgā vērtības, un tālāk tīkls pats spēj pielāgoties ieejas datu struktūrai un uztvert nelineārās likumsakarības ja tādas ir. Šīs neironu tīkla spējas var izmantot dažādu laika rindu analīzē, mēģinot noskaidrot to veidošanas paradigmas (noteikumus). Protams, mākslīgie neironu tīkli nav nekāds brīnumlīdzeklis, bet tikai vēl viens efektīvs datu analīzes instruments.