Нейрокомпьютеры: история возникновения и перспективы развития

ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«КУРСКИЙ ГОСУДАРСТВЕННЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ» МИНИСТЕРСТВА ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ (ГБОУ ВПО КГМУ МИНЗДРАВА РОССИИ)

 

КАФЕДРА ФИЗИКИ, ИНФОРМАТИКИ И МАТЕМАТИКИ

\Реферат по дисциплине «Информатика»

 

Нейрокомпьютеры: история возникновения и перспективы развития.

 

 

 

 

 

 

Выполнил: студент 
1 курса 24 группы

лечебного факультета

Чесноков Николай

 

Преподаватель:

Итинсон Кристина Сергеевна

 

 

 

                                                          Курск 2015

План

1. Введение.

2. История нейрокомпьютеров.

3. Применение нейрокомпьютеров.

 3.1. Преимущества и недостатки.

 3.2. Практическое применение нейрокомпьютеров.

 3.2.1. Сферы применения.

 3.2.2. Применение нейрокомпьютеров в финансовой и экономической деятельности.

4. Перспективы развития нейрокомпьютеров.

5. Заключение.

Список используемой литературы.

 

 

 

 

 

 

 

 

 

 

 

 

 

1. Введение

В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих и поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Поэтому сегодня его развитие становится первоочередной задачей науки.

 

 

 

 

 

                                2. История нейрокомпьютеров.

Нейрокомпьютер — устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей. «Проблематика же нейрокомпьютеров заключается в построении реальных физических устройств, что позволит не просто моделировать искусственные нейронные сети на обычном компьютере, но так изменить принципы работы компьютера, что станет возможным говорить о том, что они работают в соответствии с теорией искусственных нейронных сетей.»[1] Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего, где есть приставка нейро-.

Термины нейрокибернетика, нейроинформатика, нейрокомпьютеры вошли в научный обиход недавно — в середине 80-х годов XX века. Однако электронный и биологический мозг постоянно сравнивались на протяжении всей истории существования вычислительной техники. Знаменитая книга Н. Винера «Кибернетика» (1948) имеет подзаголовок «Управление и связь в животном и машине».

Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967), а также Адалин, разработанный Уидроу (Widrow) и Хоффом (1960) на основе дельта-правила (формулы Уидроу). В настоящее время Адалин (адаптивный сумматор, обучающийся по формуле Уидроу) является стандартным элементом многих систем обработки сигналов и связи. В этом же ряду первых нейрокомпьютеров находится программа «Кора», разработанная в 1961 году под руководством М. М. Бонгарда.

Большую роль в развитии нейрокомпьютинга сыграла монография Розенблатта (1958).

Идея нейро-бионики (создания технических средств на нейро-принципах) стала интенсивно реализовываться в начале 1980-х гг. «Импульсом было следующее противоречие: размеры элементарных деталей компьютеров сравнялись с размерами элементарных «преобразователей информации» в нервной системе, было достигнуто быстродействие отдельных электронных элементов в миллионы раз большее, чем у биологических систем, а эффективность решения задач, особенно связанных задач ориентировки и принятия решений в естественной среде, у живых систем пока недостижимо выше.»[2]

Другой импульс развитию нейрокомпьютеров дали теоретические разработки 1980-х годов по теории нейронных сетей (сети Хопфилда, сети Кохонена, метод обратного распространения ошибки).

 

 

3. Применение нейрокомпьютеров.

3.1. Преимущества  и недостатки

По сравнению с обычными компьютерами нейрокомпьютеры обладают рядом преимуществ.

Во-первых — высокое быстродействие, связанное с тем, что алгоритмы

нейроинформатики обладают высокой степенью параллельности.

Во-вторых — нейросистемы делаются очень устойчивыми к помехам и разрушениям.

В-третьих — устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

Несмотря на перечисленные выше преимущества эти устройства имеют ряд недостатков:

1. Они создаются специально для  решения конкретных задач, связанных  с нелинейной логикой и теорией  самоорганизации. Решение таких  задач на обычных компьютерах  возможно только численными методами.

2. В силу своей уникальности  эти устройства достаточно дорогостоящи.

На роль центральной проблемы, решаемой всей нейроинформатикой и нейрокомпьютингом, А. Горбань предложил проблему эффективного параллелизма. Давно известно, что производительность компьютера возрастает намного медленнее, чем число процессоров. М. Минский сформулировал гипотезу: производительность параллельной системы растёт (примерно) пропорционально логарифму числа процессоров — это намного медленнее, чем линейная функция (Гипотеза Минского)[3] .

Для преодоления этого ограничения применяется следующий подход: для различных классов задач строятся максимально параллельные алгоритмы решения, использующие какую-либо абстрактную архитектуру (парадигму) мелкозернистого параллелизма, а для конкретных параллельных компьютеров создаются средства реализации параллельных процессов заданной абстрактной архитектуры. В результате появляется эффективный аппарат производства параллельных программ.

Нейроинформатика поставляет универсальные мелкозернистые параллельные архитектуры для решения различных классов задач. Для конкретных задач строится абстрактная нейросетевая реализация алгоритма решения, которая затем реализуется на конкретных параллельных вычислительных устройствах. Таким образом, нейросети позволяют эффективно использовать параллелизм.

 

 

 

 

3.2. Практическое применение нейрокомпьютеров

3.2.1. Сферы  применения

Несмотря на недостатки, нейрокомпьютеры могут быть успешно использованы в различных областях народного хозяйства:

— управление в режиме реального времени: самолетами, ракетами и

технологическими процессами непрерывного производства (металлургического, химического и др.);

— распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

— прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

— оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бывают двух типов:

1. Большие универсальные компьютеры  построенные на множестве нейрочипов.

2. Нейроимитаторы, представляющие  собой программы для обычных  компьютеров, имитирующие работу  нейронов. В основе такой программы  заложен алгоритм работы нейрочипа  с определенными внутренними  связями. Что — то типа “Черного  ящика”, по принципу которого  он и работает. На вход такой  программы подаются исходные  данные и на основании закономерностей, связанных с принципом работы  головного мозга, делаются выводы  о правомерности полученных результатов.

 

3.2.2. Применение нейрокомпьютеров  в финансовой и экономической  деятельности.

 

. Прогнозирование временных рядов  на основе нейросетевых методов  обработки.

- Прогнозирование кросс-курса валют 

- Прогнозирование котировок и  спроса акций для биржевых  спекуляций (не для долгосрочного  вложения)

- Прогнозирование остатков средств  на корреспондентских счетах  банка

В настоящее время прогноз курсов иностранных валют определяется экспертизой квалифицированных специалистов в области обмена валют, которые всегда в дефиците. Исследования показывают, что имеется ряд показателей и математических зависимостей, которые дают возможность прогнозирования курса валюты, хотя могут и не относиться к финансовой области непосредственно. «Однако динамическая природа рынков не позволяет выделить единственный <точный> показатель, так как условия рынка со временем меняются и решение задачи возможно при использовании сочетания ряда показателей, то есть переход к нелинейной многокритериальной модели. Специалистами Лондонского Ситибанка (Citibank NA London) разработаны коммерческие программы на базе искусственных нейронных сетей для прогнозирования курса валют.»[4]

2. Страховая деятельность банков.

- оценка риска страхования инвестиций  на основе анализа надежности  проекта 

- оценка риска страхования вложенных  средств

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности.

3. Прогнозирование банкротств на  основе нейросетевой системы  распознавания.

- анализ надежности фирмы с  точки зрения возможности ее  банкротства с помощью нейросетевой  системы распознавания и выдача  результата в дискретном виде (да. нет)

- анализ величины вероятности  банкротства фирмы на основе  многокритериальной оценки с  построением нелинейной модели  с помощью нейронных сетей (пример  результата - 74% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

4. Определение курсов облигаций  и акций предприятий с целью  вложения средств в эти предприятия.

- выделение долгосрочных и краткосрочных  скачков курсовой стоимости акций  на основе нелинейной нейросетевой  модели 

- предсказание изменения стоимости  акций на основе нейросетевого  анализа временных экономических  рядов 

- распознавание ситуаций, когда  резкое изменение цены акций  является результатом биржевой  игры с помощью нейросетевой  системы распознавания

- определение соотношения котировок  и спроса 

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. «Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях.»[5]