нейроинформационное моделирование в учебно

НЕЙРОИНФОРМАЦИОННОЕ МОДЕЛИРОВАНИЕ
В УЧЕБНО-ИССЛЕДОВАТЕЛЬСКОЙ И ОБРАЗОВАТЕЛЬНОЙ
ДЕЯТЕЛЬНОСТИ
Сингатулин Рустам Адыгамович ([email protected])
Педагогический институт ГОУ ВПО «СГУ имени Н.Г. Чернышевского»
Различные прикладные задачи часто решаются на основе моделей,
которые основываются на экспериментальных исследованиях. Вместе с тем,
большое число разнообразных современных программных продуктов
используемых в учебно-исследовательской и образовательной деятельности
зачастую подменяют процедуру исследования, нередко сводящуюся больше
к «демонстрации» результатов исследования, подгонке данных к
естественным (узкоспециализированным) программным ограничениям.
Существенной проблемой использования подобного программного
обеспечения является невозможность учёта всего комплекса факторов
влияющих на ситуацию, а также, сложность сбора распределенной
информации характеризующий объект исследования. Так, например, широко
известный американский исследовательский проект «Биосфера», связанный с
моделированием глобальных экологических процессов, привёл к
результатам, не допускающим какой-либо разумной интерпретации [1].
Очевидно, что при наличии многочисленных малоинформативных
признаков, исследователю часто приходится обрабатывать неполную
информацию, приводящую к искажению свойств модели. Так,
классификация объектов проблемной области, вводимая исследователем,
часто не отражает структурные особенности объектов, что создает
дополнительные трудности [2]. Поэтому, для эффективного решения задач
классификации и прогноза используются различные математические методы:
статистического, кластерного, регрессионного анализа и т.п. [3]. По
сравнению с перечисленными методами подход, основанный на применении
искусственных нейронных сетей, обладает рядом преимуществ [4]. Прежде
всего, создаётся единая для подобных задач парадигма. При этом, используя
нейронные сети со сравнительно небольшим числом нейронов, можно
решать достаточно сложные задачи классификации и прогноза. Кроме того,
нейронные сети представляют собой обучающиеся модели, позволяющие
постоянно корректировать данные. В нейронных сетях можно использовать
любое количество независимых и зависимых признаков, а также возможно
решение одной сетью одновременно нескольких задач классификации или
прогноза. К настоящему времени накоплен достаточно большой опыт по
применению нейронных сетей для решения задач в различных областях – не
только в технических системах, управлении, климатологии, медицине,
экономике, но и в исторических науках, психологии, образовании [5].
Использование нейронных сетей позволяет решать самые различные
неформализованные задачи, прежде всего такие задачи, где алгоритм
решения неизвестен. При этом исследователь получает очень эффективную
модель проблемной области и может промоделировать различные ситуации например, предъявлять сети различные входные данные и оценивать
результат, выдаваемый сетью.
В основе нейросетевого подхода лежит широко известная в
кибернетике концепция построения вычислительного устройства из
большого числа параллельно работающих простых элементов, так
называемых нейронов, которые функционируют независимо друг от друга и
объединены между собой однонаправленными каналами передачи
информации – синапсами. Как правило, в нейронной сети имеется группа
входов и выходов. По входным каналам нейронная сеть воспринимает
информацию и затем, преобразует её с помощью процессорных элементов,
выдаёт выходные сигналы. При этом обработка информации сводится к двум
основным классам задач: это задачи прогнозирования и классификации.
Вместе с тем, задачи прогнозирования являются, по-существу, задачами
построения регрессионной зависимости выходных данных от входных.
Организованная подобным образом сеть обладает высокоэффективной
параллельной вычислительной архитектурой, высокой надежностью и
устойчивостью к отказам отдельных элементов, составляющих нейронную
сеть. Однако самым выдающимся свойством нейронных сетей, является
возможность «эволюционного» обучения. При этом под обучением
понимается процесс адаптации нейронной сети для достижения минимума
некоторого оценивающего функционала – например, качества решения сетью
поставленной задачи.
В Интернете имеются многочисленные ссылки на ресурсы,
посвящённые нейронным сетям и их использованию в учебноисследовательской и образовательной деятельности. Превалирующим
ресурсом является специализированная сеть ENCORE (Evolutionary
computation repository network), объединяющая FTP-серверы ведущих
исследовательских лабораторий и высших образовательных учреждений.
Сеть объединяет университеты Германии, Испании, Великобритании, КНР,
США и других стран. Предпочтительны исследовательские ресурсы
Калифорнийского технологического института, института Санта Фе,
Мичиганского университета Ист Лансинг, Университета Джорджа Мэйсона
(http://www.cs.gmu.edu), Школы когнитивных и компьютерных наук
Университета
графства
Сассекс
(http://informatics.susx.ac.uk/research/groups/easy) и, особенно, на наш взгляд,
Китайского университета Гонконга (http://www.cs.cuhk.hk).
Большая часть программного обеспечения распространяется
бесплатно, однако аппаратная реализация нейронных сетей в основном
строится на коммерческой основе. Известны хорошо зарекомендовавшие
себя разработчики аппаратного интерфейса с достаточно высокой
стоимостью оборудования для нейронных сетей – California Science Software
(является также разработчиком специализируемого ПО), NeuroDynamX и др.
Вместе с тем, возможно использование более доступных компонентов
сторонних разработчиков, например производства КНР. Более существенным
вопросом является использование коммерческого или некоммерческого ПО
под конкретные учебно-исследовательские и образовательные задачи. Так
коммерческие продукты в основном базируются на платформе Windows
(например, MATLAB Neural Network Toolbox или NeuroLab) и моделируют
прямонаправленные и рекуррентные сети, сети Хопфилда, Кохонена, RBF и
некоторые другие, построены под конкретные решения. Некоммерческое ПО
базируются на более демократичной рабочей среде включающее Windows,
Sun, UNIX, Dos/C, Basic, Pascal и др., позволяет моделировать в основном
прямонаправленные, рекуррентные сети и сети Хопфилда. К ним относятся
программные пакеты: WOLF (построение моделей на базе сплайнов), AINET
и WinNN (прямонаправленные сети), PDP++ и «Stuttgard Neural Network
Simulator» (рекуррентные сети и сети Хопфилда) и некоторые другие.
Существует и другие программные пакеты, однако их направленность часто
увязывается в системе узкоспециализированных программ и решений в
рамках планируемого учебно-образовательного процесса.
Широкое
использование
нейронных
ресурсов
в
учебноисследовательской и образовательной деятельности способствует основной
задаче современного образования - овладению передовой методологией
формирования системы знаний. Система образования, основанная на
подобных принципах, всегда будет в состоянии готовить специалистов,
обладающих навыками самостоятельного мышления, активными знаниями и
умением их практически реализовать.
Литература:
1.
Капица С.П., Курдюмов С.П., Малинецкий Г.Г. Синергетика и
прогнозы будущего. – М.: Наука, 1997. – 285 с.
2.
Сингатулин Р.А. Палеофонография: проблемы новых технологий //
Археологический вестник. – С-Пб., 2004. – № 11. – C. 324-328.
3.
Браверман Э.М., Мучник И.Б. Структурные методы обработки
эмпирических данных. – М., Наука. Гл. ред. физ.-мат. лит., 1983. – 464с.
4.
Горбань А.Н., Россиев Д.А. Нейронные сети на персональном
компьютере. – Новосибирск: Наука, 1996. – 276 с.