Многослойный персептрон

Появление этой книги привело к тому, что всеобщий энтузиазм сменился всеобщим пессимизмом. Правительство США прекратило финансирование нейропроектов на 20 лет.

Тем не менее, работы в этом направлении продолжались отдельными наиболее настойчивыми исследователями. Многие понимали, что надо усложнять структуру персептрона, т.е. приближать компьютерную модель к оригиналу – человеческому мозгу. Оказалось, что проблему функции «Исключающее ИЛИ» можно решить с помощью двухслойного персептрона.

Возможности и области применения персептронов

Персептроны можно использовать для построения математических моделей, для решения задач диагностики, прогнозирования, в криминалистике, в банковском деле и т.д.

1. Математическое моделирование.

С помощью многослойного персептрона стало возможным строить математические модели, выполняющие сложные многомерные отображения входного вектора Х на выходной вектор Задачи такого рода встречаются в промышленности, экономике, бизнесе, финансах, политологии, социологии, криминалистике, медицине и т.д. Практически в каждой проблеме, решаемой прикладными науками, необходимо построить математическую модель явления, процесса, объекта, т.е. выявить и математически описать основные характеристики и зависимости между ними, построить при этом математические функции и исследовать их поведение.

Традиционно математические модели строились путём изучения и использования фундаментальных законов природы.

Персептроны открыли иной подход к самой методике построения математических моделей. Модель строится только на основе эмпирического опыта (обучающей выборки), не задумываясь о законах физики, химии, биологии, медицины и т.д. Это позволило получить новый инструмент извлечения знаний из данных, позволяющий заново открывать законы природы, выявлять ранее неизвестные и никогда не исследованные закономерности и использовать их для решения конкретных практических задач.

2. Диагностика в медицине

Чтобы поставить диагноз больному, врач собирает от 20 до 100 параметров о его состоянии и на основе этого делает прогноз.

Как использовать персептрон для постановки диагноза? Необходимо определиться с входным вектором Х и выходным вектором У, задав их размерности, и условится о содержимом каждого компонента. В векторе Х логично предусмотреть все параметры, которые выясняет врач у больного. В выходном векторе У следует закодировать все возможные диагнозы болезней, которые способен обнаружить врач. Например, можно принять у1=1, если у больного инфаркт, и у1=0, если инфаркта нет. В качестве у2=1 можно закодировать наличие или отсутствие порока сердца и т.д. Таким образом, выходной сигнал персептрона будет состоять из множества нулей и одной или нескольких 1 (если болезней несколько).

Далее следует подготовить набор обучающих примеров (обучающую выборку), состоящая из множества пар векторов Х и У. Теперь задача состоит в конструировании персептрона и его обучении на примере обучающих примеров.

В результате персептрон должен научиться отображать любой вектор обучающей выборки Х на вектор У, совпадающий (или почти совпадающий) с нужным вектором Д. При появлении нового пациента с новым вектором Х персептрон должен вычислить для него новый вектор У, содержащий правильный диагноз, построенный персептроном уже без участия врача-эксперта. Другими словами, персептрон должен уметь обобщать переданный ему опыт на новые точки предметной области – ставить диагнозы болезней новым пациентам.

3. Диагностика неисправностей сложных технических устройств

Менее сложная по сравнению с диагностикой заболеваний задача. В техническом устройстве всегда заранее известно о назначении любого сколь угодно мелкого узла, что нельзя сказать о человеке. Поэтому нейросетевой подход к диагностике болезней можно полностью применить к диагностике неисправностей сложных технических устройств. Например, диагностика неисправностей авиационных двигателей. С помощью датчиков измеряются параметры авиадвигателей во время полётов: номер полёта, дата полёта, общую наработку двигателя, температуру и давление воздуха на входе в двигатель, температуру и давление газа за турбиной, температуру лопаток, уровень и температуру масла в маслоблоке и т.д. Число полётных параметров может достигать сотни и более, что соизмеримо с числом параметров больного при постановке диагноза.

После выполнения определённого числа полётов (около 200) двигатель снимают с самолёта и разбирают, во время которой выявляют устраняют его дефекты: трещины на сопловом агрегате, забоины, разрушение дефлектора, стружка в масле и т.д. Всего их около 30 видов.

Задача состоит в том, чтобы выявить эти дефекты до разборки двигателя. Традиционно это определяется с помощью применения методик, основанных на физических закономерностях: каждый дефект вызывает определённые отклонения тех или иных полётных параметров работы двигателя, поэтому анализируются характер изменения параметров и делаются предположения о появлении дефектов, вызвавших эти изменения. Это довольно сложная задача, поэтому часто она решается ненадёжно и некачественно.

Как её можно решить с помощью персептрона? Во входном сигнале Х должны быть отражены все параметры полётного мониторинга, на значения которых влияет появление дефектов. Возможные дефекты кодируются в выходном векторе У с помощью традиционных 0 и1. Векторы желаемых выходов Д составляются по результатам стендовых разборок двигателей. В отличие от медицины здесь все диагнозы в обучающей выборке имеют 100 % достоверность. Обычно для обучения формируется пара векторов Х и Д: для первого вылета самолёта и для последнего. После обучения персептрона можно оборудовать таким устройством бортовой компьютер самолёта и он будет сообщать о появлении дефекта двигателя в реальном времени, т.е , как сложится соответствующая конфигурация вектора входных параметров – результатов измерений, снимаемых во время полёта самолёта.