МОДЕЛЮВАННЯ З ВИКОРИСТАННЯМ АПАРАТА ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ

Одним з найбільш поширених видів систем "штучного інтелекту" є нейронні мережі (НМ) - обчислювальні структури, які моделюють біологічні процеси, що зазвичай асоціюються з процесами людського мозку [10].

Термін «нейронні мережі» сформувався в 40-х роках XX ст. у середовищі дослідників, що вивчали принципи організації й функціонування біологічних НМ. Основні результати, отримані в цій галузі, пов'язані з іменами американських дослідників У. Макалоха, Д. Хеба, Ф. Розенблатта, М. Мінського, Дж. Хопфілда й ін.

НМ являють собою розпаралелені системи, здатні до навчання й адаптації шляхом аналізу позитивних і неґативних впливів. Елементарним перетворювачем у даних мережах є штучний нейрон або просто нейрон, названий так за аналогією з біологічним прототипом. НМ складається з безлічі однакових нейронів. З'єднані певним чином, нейрони утворюють штучну НМ. Робота мережі розділяється на навчання й адаптацію. Під навчанням розуміють процес адаптації мережі до пропонованих еталонних зразків шляхом модифікації (відповідно до того або іншого алгоритму) вагових коефіцієнтів зв'язків між нейронами. Цей процес є результатом алгоритму функціонування мережі, а не попередньо закладених у неї знань людини, як це часто буває в системах „штучного інтелекту”.

За допомогою апарата штучних НМ можна проводити:

- апроксимацію функцій при вирішенні інженерних і наукових завдань мо­делювання – для навчальної вибірки (x¹,y¹), (x²,y²), … (x^N,y^N) (пари даних «вхід-вихід»), що генерується невідомою зашумленою функцією F(x), де завдання апроксимації полягає в знаходженні оцінки не­відомої функції F(x);

- передбачення/прогноз для прийняття рішень у бізнесі, науці й техніці - завдання полягає в прогнозі значення y(t_k) у деякий майбутній момент часу t_k+1 для заданих n дискретних відліків {y(t₁), y(t₂) ..., y(t_k)} у послідовні моменти часу t₁, t₂, ..., t_k;

- оптимізацію рішень у математиці, статис­тиці, техніці, науці, медицині й економіці, де завданням алгоритму оптимізації є знаходження такого рішення, що задовольняє сис­тему обмежень і максимізує або мінімізує цільову функцію;

- керування різноманітними об’єктами, що полягає в розрахунку такого вхідного впливу,при якому система рухається за бажаною траєкторією, що диктується еталонною моделлю (наприклад, оптимальне керування двигуном).