ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ

APPLICATION OF NEURAL NETWORKS

Gyzylgul Hajymuhammedowa

student, Department of Applied Informatics, Vladimir State University named after Alexander Grigorievich and Nikolai Grigorievich Stoletovs,

Russia, Vladimir

АННОТАЦИЯ

Нейронные сети регулируют некоторые ключевые сектора, включая финансы, здравоохранение и автомобилестроение. Поскольку эти искусственные нейроны функционируют аналогично человеческому мозгу. Их можно использовать для распознавания изображений, распознавания символов и прогнозирования фондового рынка. В данной статье разберёмся в способах применениях нейронных сетей.

ABSTRACT

Neural networks regulate some key sectors, including finance, healthcare, and the automotive industry. Because these artificial neurons function similarly to the human brain. They can be used for image recognition, character recognition, and stock market forecasting. In this article, we will understand the ways of using neural networks.

Ключевые слова: нейронна сеть, Сверточные нейронные сети.

Keywords: neural network, Convolutional Neural Networks.

Распознавание лиц. Сверточные нейронные сети (CNN) используются для распознавания лиц и обработки изображений. Большое количество изображений подаётся в базу данных для обучения нейронной сети. Собранные изображения дополнительно обрабатываются для обучения. Слои выборки в CNN используются для правильных оценок. Модели оптимизированы для получения точных результатов распознавания.

Прогнозирование фондового рынка. Для успешного прогнозирования в реальном времени используется многослойный персептрон MLP (класс алгоритмов искусственного интеллекта с прямой связью). MLP состоит из нескольких уровней узлов, каждый из которых полностью связан с последующими узлами. При построении модели MLP учитываются прошлые показатели акций, годовая доходность и коэффициенты некоммерческих организаций.

Социальные сети. Нейронные сети дублируют поведение пользователей социальных сетей или выполняют пост-анализ поведения людей через социальные сети, данные могут быть связаны с привычками людей тратить. Многослойный персептрон ANN используется для сбора данных из приложений социальных сетей. MLP прогнозирует тенденции социальных сетей, он использует различные методы обучения, такие как средняя абсолютная ошибка (MAE), корень из среднеквадратичной ошибки (RMSE) и среднеквадратичная ошибка (MSE). MLP учитывает несколько факторов, таких как любимые страницы пользователя в Instagram*, выбор закладок и т. д. Эти факторы рассматриваются как входные данные для обучения модели MLP.

Аэрокосмическая. Нейронные сети с временной задержкой используются для распознавания объектов, не зависящих от положения. Таким образом, алгоритм, построенный на основе нейронных сетей с временной задержкой, может распознавать паттерны. Поскольку безопасность пассажиров имеет первостепенное значение внутри самолёта, алгоритмы, построенные с использованием нейронных сетевых систем, обеспечивают точность в системе автопилота. Поскольку большинство функций автопилота автоматизированы, важно обеспечить максимальную безопасность.

Защита. Нейронные сети используются в логистике, анализе вооружённых атак и для определения местоположения объектов. Они также используются в воздушном патрулировании, морском патрулировании и для управления автоматизированными беспилотниками. Сверточные нейронные сети (CNN) используются для определения наличия подводных мин. Беспилотный летательный аппарат и беспилотный подводный аппарат используют сверточные нейронные сети для обработки изображений с камер установленных на них.

Здравоохранение. Сверточные нейронные сети активно используются в отрасли здравоохранения для рентгеновского обнаружения, компьютерной томографии и ультразвука. Поскольку CNN используется в обработке изображений, данные медицинской визуализации, полученные из вышеупомянутых тестов, анализируются и оцениваются на основе моделей нейронных сетей. Рекуррентная нейронная сеть (RNN) также используется для разработки систем распознавания голоса. Системы распознавания голоса используются в наши дни для отслеживания данных пациента. Исследователи также используют генеративные нейронные сети для создания лекарств и генерации новых белков. Сопоставление различных категорий лекарств - сложная задача, но генеративные нейронные сети решили эту сложную задачу. Они могут быть использованы для объединения различных элементов, что является основой для открытия новых лекарств.

Проверка подписи и анализ почерка. Для проверки сигнатур используются искусственные нейронные сети. ANN (многослойный перцептрон прямого распространения) обучены распознавать разницу между реальными и поддельными подписями. ANN можно использовать для проверки как офлайн, так и онлайн-подписей. Для обучения модели ANN в базу данных подаются различные наборы данных. Модель ANN использует обработку изображений для извлечения функций.  Анализ почерка играет неотъемлемую роль в криминалистике. Так же сверточные нейронные сети (CNN) используются для анализа почерка и проверки почерка.

Прогнозирование погоды. Для прогнозирования погоды используются многослойный персептрон (MLP), сверточная нейронная сеть (CNN) и рекуррентные нейронные сети (RNN). Традиционные многослойные модели ANN также могут использоваться для прогнозирования климатических условий на 15 дней вперёд. Для прогнозирования температуры воздуха можно использовать комбинацию различных типов архитектуры нейронных сетей. Для обучения моделей на основе нейронных сетей были рассмотрены различные входные данные, такие как температура воздуха, относительная влажность, скорость ветра и солнечное излучение.

Подводя итоги, можно сделать вывод, что нейронные сети имеют множество способов применения, от распознавания лиц до прогнозирования погоды, а все вышеперечисленные алгоритмы упростили оценку, классификацию и выполнения разных задач в повседневной жизни человека.

*(социальная сеть, запрещенная на территории РФ, как продукт организации Meta, признанной экстремистской – прим.ред.)

Список литературы:

1. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2015. - 224 c.
2. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: Диалектика, 2019. - 1104 c.
3. Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: Ленанд, 2019. - 232 c.