Нейронные сети состоят из простых элементов, работающих параллельно. Эти элементы вдохновлены биологическими нервными системами. Как и в природе, соединения между элементами в значительной степени определяют сетевую функцию. Нейронную сеть можно обучить выполнять определенную функцию, настроив значения соединений (весов) между элементами.
Обычно нейронные сети настраиваются или обучаются так, что конкретный вход приводит к конкретному целевому выходу. Следующая цифра иллюстрирует такую ситуацию. Здесь сеть настраивается на основе сравнения выходного сигнала и целевого сигнала до тех пор, пока сетевой выходной сигнал не совпадет с целевым сигналом. Обычно для обучения сети требуется много таких пар вход/цель.
Нейронные сети были обучены выполнять сложные функции в различных областях, включая распознавание образов, идентификацию, классификацию, речь, зрение и системы управления.
Нейронные сети также могут быть обучены решать проблемы, которые трудно решить обычным компьютерам или людям. Инструментарий подчеркивает использование нейронных сетевых парадигм, которые строятся до - или сами используются - инженерных, финансовых и других практических применений.
В следующих разделах объясняется, как использовать графические инструменты для обучения нейронных сетей решению проблем, связанных с подгонкой функций, распознаванием образов, кластеризацией и временными рядами. Используя эти инструменты, вы сможете получить прекрасное представление об использовании программного обеспечения Deep Learning Toolbox™:
Существует четыре способа использования ПО Deep Learning Toolbox.
Первый путь - через его инструменты. Эти инструменты обеспечивают удобный доступ к возможностям панели инструментов для выполнения следующих задач:
Второй способ использования панели инструментов - основные операции командной строки. Операции командной строки обеспечивают большую гибкость, чем инструменты, но с некоторой дополнительной сложностью. Если это ваш первый опыт работы с панелью инструментов, инструменты обеспечивают наилучшее введение. Кроме того, инструменты могут создавать сценарии документированного кода MATLAB ®, чтобы предоставить шаблоны для создания собственных пользовательских функций командной строки. Процесс использования инструментов, а затем создание и изменение сценариев MATLAB - отличный способ узнать о функциональности панели инструментов.
Третий способ использования панели инструментов - это адаптация. Эта расширенная возможность позволяет создавать собственные пользовательские нейронные сети, при этом все еще имея доступ к полной функциональности панели инструментов. Можно создавать сети с произвольными соединениями, а также обучать их с помощью существующих функций обучения инструментария (при условии, что компоненты сети различимы).
Четвертый способ использования панели инструментов - возможность изменения любой из функций, содержащихся в панели инструментов. Каждый вычислительный компонент записан в коде MATLAB и полностью доступен.
Эти четыре уровня использования набора инструментов охватывают новичка для эксперта: простые инструменты помогают новому пользователю работать с конкретными приложениями, а настройка сети позволяет исследователям пробовать новые архитектуры с минимальными усилиями. Независимо от уровня вашей нейронной сети и знаний MATLAB, есть набор инструментов, соответствующих вашим потребностям.
Сами инструменты составляют важную часть процесса обучения для программного обеспечения Deep Learning Toolbox. Они проводят вас через процесс проектирования нейронных сетей для решения проблем в четырех важных областях применения, не требуя какого-либо фона в нейронных сетях или сложности в использовании MATLAB. Кроме того, инструменты могут автоматически создавать как простые, так и расширенные сценарии MATLAB, которые могут воспроизводить шаги, выполняемые инструментом, но с возможностью переопределения настроек по умолчанию. Эти сценарии предоставляют шаблоны для создания настраиваемого кода и помогают ознакомиться с функциональными возможностями панели инструментов в командной строке. Настоятельно рекомендуется использовать функцию автоматического создания сценариев этих инструментов.
Было бы невозможно охватить весь спектр применений, для которых нейронные сети предоставили выдающиеся решения. Остальные разделы этого раздела описывают лишь несколько приложений, связанных с подгонкой функций, распознаванием образов, кластеризацией и анализом временных рядов. В следующей таблице представлено представление о разнообразии приложений, для которых нейронные сети обеспечивают современные решения.
Промышленность | Бизнес-приложения |
|---|---|
Высокопроизводительный авиационный автопилот, моделирование траектории полета, системы управления самолетом, усовершенствования автопилота, моделирование компонентов самолета и обнаружение неисправностей компонентов самолета | |
Автомобильная автоматическая система наведения и анализ гарантийной деятельности | |
Проверка и прочее чтение документов и оценка кредитной заявки | |
Управление оружием, сопровождение цели, распознавание объектов, распознавание лиц, новые виды датчиков, гидролокатор, радиолокационная обработка и обработка сигналов изображения, включая сжатие данных, выделение признаков и подавление шума, а также идентификация сигналов/изображений | |
Прогнозирование кодовой последовательности, компоновка микросхемы интегральной схемы, управление процессом, анализ отказов микросхемы, машинное зрение, синтез речи и нелинейное моделирование | |
Анимация, спецэффекты и прогнозирование рынка | |
Оценка недвижимости, консультирование по кредитам, проверка ипотеки, рейтинг корпоративных облигаций, анализ использования кредитных линий, отслеживание активности кредитных карт, программа торговли портфелями, корпоративный финансовый анализ и прогнозирование валютных цен | |
Прогнозирование промышленных процессов, таких как выход газов печей, замена сложного и дорогостоящего оборудования, использовавшегося для этой цели в прошлом | |
Оценка приложений политик и оптимизация продуктов | |
Управление производственными процессами, проектирование и анализ продукции, диагностика процессов и машин, идентификация частиц в режиме реального времени, системы визуального контроля качества, тестирование пива, анализ качества сварки, прогнозирование качества бумаги, компьютерный анализ качества щепы, анализ операций шлифования, анализ конструкции химической продукции, анализ технического обслуживания машин, торги по проектам, планирование и управление, а также динамическое моделирование системы химических процессов | |
Анализ клеток рака молочной железы, анализ ЭЭГ и ЭКГ, дизайн протеза, оптимизация времени трансплантации, сокращение расходов на больницу, улучшение качества больницы и консультирование по тестированию в отделении неотложной помощи | |
Исследование | |
Управление траекторией движения, робот-вилщик, контроллеры манипуляторов и системы технического зрения | |
Анализ рынка, автоматический рейтинг облигаций и консультационные системы по торговле акциями | |
Распознавание речи, сжатие речи, классификация гласных и синтез текста в речь | |
Сжатие изображений и данных, автоматизированные информационные услуги, перевод в реальном времени разговорного языка и системы обработки платежей клиентов | |
Системы диагностики тормозов грузовых автомобилей, планирование движения транспортных средств и системы маршрутизации |
В остальных разделах этой темы вы будете следовать стандартным шагам по проектированию нейронных сетей для решения задач в четырех прикладных областях: функциональная подгонка, распознавание образов, кластеризация и анализ временных рядов. Поток работ для любой из этих проблем состоит из семи основных этапов. (Сбор данных на шаге 1, хотя и является важным, обычно происходит вне среды MATLAB.)
Сбор данных
Создание сети
Конфигурирование сети
Инициализация весов и смещений
Обучение сети
Проверка сети
Использовать сеть
Выполните следующие действия, используя инструменты графического интерфейса пользователя и операции командной строки в следующих разделах: