Методика применения нейронных сетей для оптимизации топологии нейронной сети

Люди часто в обращаются к природе в процессе поиска решения той или иной задачи. Схема строения самолета и принципы его работы были переняты у птиц. Основываясь на опыте природы людям удалось разработать современные средства передвижения без которых трудно представить путешествия. Так же произошло и с самым сложным органом человеческого организма. Мозг человека является универсальным вычислительным устройством, способным приспосабливаться и подстраиваться под окружающую обстановку. Эти качества позволяют ему решать различные по сложности задачи в совершенно не связанных областях.
В середине прошлого века исследования ученых из разных областей биологии легли в основу систем моделирования деятельности головного мозга, на базе которых была построена теория искусственных нейронных сетей. Они дали начало развитию огромному количеству технологий и научных областей [1].
Сначала была разработана модель отдельного нейрона, моделирующего работу нервной сети на низком уровне. Однако такая система могла решать лишь ограниченный спектр задач. В мозгу биологические нейроны объединяются в группы и связываются с огромными количествами себе подобных. Возможности таких систем оказались намного шире и они были приспособлены к решению задач на которые ранее требовалось много усилий. Это распознавание, кластеризация и принятие решений. Кроме того искусственные нейронные сети обладают устойчивостью к зашумлению входных данных. Это означает, что незначительные изменения входных данных приводят к незначительным отклонениям в результатах. В то время как в при применении стандартных алгоритмов, последствия могут быть непредсказуемыми [2-6].
Другой не менее удивительной особенностью нейронных сетей является их способность приспосабливаться к изменениям среды в которой они работают. При изменении входных данных они могут обучиться, подстроится, и продолжить выдавать корректный результат.
3
Особенно сильно интерес к ИНС проявился в последние годы. Это связано с развитием электронных вычислительных устройств, позволяющим ускорить обработку данных и сократить время необходимое для обучения сети.
Сфера применения нейронных сетей постоянно расширяется. Цифровые ассистенты в больницах помогают врачам при анализе симптомов и определении диагноза, на производстве внедряются системы способные проводить анализ качества продукции, набирают популярность автомобили оснащенные автопилотом для движения без участия водителя. Все эти примеры включают в себя применение нейронных сетей для обработки данных.
На данный момент нет других подходов к решению подобных задач, дающих столь впечатляющие результаты. Вероятнее всего развитие ИНС будет продолжаться. Постоянно появляются новые подходы к обучению и применению сетей. Все больше потребительских устройств поддерживают реализации функций необходимых для работы ИНС на аппаратном уровне, что позволяет повысить их производительность еще больше. Не говоря уже о специализированном оборудовании.