Tendencias de desarrollo de redes neuronales artificiales
Las redes neuronales se han aplicado bien en muchos campos, pero aún quedan muchos aspectos por estudiar. Entre ellos, la combinación de redes neuronales y otras tecnologías tiene las ventajas de almacenamiento distribuido, procesamiento paralelo, autoaprendizaje, autoorganización y mapeo no lineal. Los métodos híbridos y sistemas híbridos resultantes se han convertido en un importante punto de investigación. Debido a que otros métodos también tienen sus propias ventajas, combinar redes neuronales con otros métodos y aprender de las fortalezas de cada uno puede lograr mejores resultados de aplicación. El trabajo actual en esta área incluye la integración de redes neuronales con lógica difusa, sistemas expertos, algoritmos genéticos, análisis wavelet, caos, teoría de conjuntos aproximados, teoría fractal, teoría de la evidencia y sistemas grises.
A continuación se analiza principalmente la integración de redes neuronales con análisis wavelet, caos, teoría de conjuntos aproximados y teoría fractal.
Combinado con análisis wavelet
En 1981, el geólogo francés Morlet estudió creativamente las similitudes, diferencias, características y características de la transformada de Fourier y la transformada de Fourier en ventana en la obtención de datos geológicos. Construcción de funciones, primero. propuso el concepto de análisis de ondículas y estableció la ondícula de Morlet que lleva su nombre. Desde 1986, el análisis wavelet se ha convertido rápidamente en una nueva disciplina gracias al trabajo fundamental de Y Meyer, S. Mallat y I Daubechies. "Wavelets and Operadores" de Meyer y "Diez conferencias sobre wavelets" de Daubechies son los trabajos más autorizados en el campo de la investigación de wavelets.
La transformada wavelet es un gran avance en el método de análisis de Fourier. No sólo tiene buenas características de posicionamiento tanto en el dominio del tiempo como de la frecuencia, sino que también tiene buena resolución tanto para señales de baja frecuencia como para señales de alta frecuencia en el dominio del tiempo, lo que le permite converger a cualquier detalle del objeto. El análisis de wavelets es equivalente a un microscopio matemático con funciones de aumento, reducción y traducción. Puede estudiar las características dinámicas de las señales examinando los cambios bajo diferentes aumentos. Por lo tanto, el análisis wavelet se ha convertido en una herramienta poderosa en muchos campos como la geofísica, el procesamiento de señales, el procesamiento de imágenes y la física teórica.
La red neuronal Wavelet combina las buenas características de localización tiempo-frecuencia de la transformada wavelet y la función de autoaprendizaje de la red neuronal, por lo que tiene una gran capacidad de aproximación y tolerancia a fallos. En el método combinado, la función wavelet se puede usar como función base para construir una red neuronal para formar una red wavelet, o la transformada wavelet se puede usar como una herramienta de preprocesamiento de entrada para la red neuronal feedforward, es decir, la función wavelet. Las características de resolución de la transformada wavelet se pueden utilizar para procesar la señal de estado del proceso, realizar la separación de señal y ruido y extraer las características de estado que tienen el mayor impacto en el error de mecanizado como entrada de la red neuronal.
La red neuronal Wavelet se ha aplicado en muchos aspectos, como el diagnóstico de fallas del motor, el procesamiento de señales de falla de la red eléctrica de alto voltaje y la investigación de protección, y el diagnóstico de fallas mecánicas de los rodamientos. La aplicación de la red neuronal wavelet en el control inteligente del servomotor de inducción permite que el sistema tenga un buen rendimiento y robustez del control de seguimiento. La red neuronal de paquetes wavelet se utiliza para el diagnóstico inteligente de enfermedades cardiovasculares. La capa wavelet realiza una extracción de características adaptativa en el dominio de tiempo-frecuencia y la tasa de clasificación correcta es del 94%.
Aunque la red neuronal wavelet se ha aplicado en muchos aspectos, todavía existen algunas deficiencias. A partir de los requisitos de precisión de extracción y transformación de wavelets en tiempo real, es necesario construir algunas bases de wavelets especiales que cumplan con los requisitos de la aplicación de acuerdo con la situación real para lograr mejores resultados en las aplicaciones. Además, los requisitos de tiempo real en las aplicaciones también requieren el desarrollo de DSP para desarrollar chips de procesamiento dedicados para cumplir con este requisito.
Red Neural del Caos
La primera definición de caos fue propuesta por Li-Yorke en los años 1970.
Debido a su amplio valor de aplicación, ha atraído una amplia atención de todas las partes desde sus inicios. El caos es un movimiento irregular en un determinado sistema, y el caos es un fenómeno común en sistemas no lineales. El movimiento caótico tiene las características de ergodicidad y aleatoriedad, y puede atravesar todos los estados dentro de un cierto rango de acuerdo con sus propias reglas sin repetición. La teoría del caos determina el caos dinámico no lineal y tiene como objetivo revelar las leyes simples que pueden estar ocultas detrás de fenómenos aparentemente aleatorios para encontrar las * * * leyes de identidad que generalmente siguen una gran clase de problemas complejos.
En 1990, Kaihara, T.Takabe y M.Toyoda propusieron por primera vez el modelo de red neuronal caótica basado en las características caóticas de las neuronas biológicas, introduciendo el caos en la red neuronal, haciendo de la red neuronal artificial tienen un comportamiento caótico y están más cerca de la red neuronal real del cerebro humano. Por lo tanto, las redes neuronales caóticas se consideran uno de los sistemas inteligentes de procesamiento de información capaces de realizar cálculos en el mundo real y se han convertido en una de las principales áreas de investigación de las redes neuronales.
En comparación con la red neuronal discreta convencional de Hopfield, la red neuronal caótica tiene características dinámicas no lineales más ricas, que se reflejan específicamente en: introducir un comportamiento dinámico caótico en la red neuronal; Atractores de redes neuronales caóticas.
Cuando la entrada de la red neuronal cambia significativamente en las aplicaciones reales, la tolerancia a fallas inherente de la red de la aplicación a menudo es insuficiente y a menudo se produce amnesia. La memoria dinámica de la red neuronal caótica pertenece al movimiento dinámico determinista y la memoria ocurre en la trayectoria del atractor caótico. Los patrones de memoria están relacionados entre sí a través de un movimiento continuo (proceso de memoria). Especialmente para aquellos patrones de memoria con una distribución del espacio de estados cercana o parcialmente superpuesta, las redes neuronales caóticas siempre pueden reproducirse y reconocerse a través de la memoria asociativa dinámica sin confusión. El rendimiento de la red neuronal mejorará en gran medida la capacidad de memoria de la red neuronal Hopfield. La existencia del dominio de atracción del atractor caótico forma la función inherente de tolerancia a fallas de la red neuronal caótica. Esto desempeñará un papel importante en aplicaciones de ingeniería como el reconocimiento de patrones complejos y el procesamiento de imágenes.
Otra razón por la que las redes neuronales caóticas han llamado la atención es que el caos existe en las neuronas y redes neuronales reales de los organismos y esto ha sido confirmado por experimentos electrofisiológicos en zoología.
Debido a sus complejas características dinámicas, las redes neuronales caóticas han atraído gran atención en los campos de la memoria asociativa dinámica, la optimización de sistemas, el procesamiento de información, la inteligencia artificial y otros campos. La red neuronal caótica tiene una función de memoria asociativa, pero su proceso de búsqueda es inestable. Se propone un método de control para controlar fenómenos caóticos en redes neuronales caóticas. Se estudia la aplicación de redes neuronales caóticas en problemas de optimización combinatoria.
Para aplicar mejor las características dinámicas de las redes neuronales caóticas y controlar eficazmente sus fenómenos caóticos, todavía es necesario mejorar y ajustar aún más la estructura de las redes neuronales caóticas y estudiar más a fondo los algoritmos de las redes neuronales caóticas.
Basado en la teoría de conjuntos aproximados
La teoría de conjuntos aproximados fue propuesta por primera vez por Z. Pawlak, profesor de la Universidad Tecnológica de Varsovia en Polonia en 1982. Es una teoría matemática para analizar datos y un método para estudiar la expresión, el aprendizaje y la inducción de datos incompletos y conocimientos inexactos. La teoría aproximada de conjuntos es una nueva herramienta matemática para abordar el conocimiento confuso e incierto. La idea principal es derivar las reglas de clasificación o toma de decisiones del problema mediante la reducción del conocimiento manteniendo sin cambios la capacidad de clasificación. En la actualidad, la teoría de conjuntos aproximados se ha utilizado con éxito en campos como el aprendizaje automático, el análisis de decisiones, el control de procesos, el reconocimiento de patrones y la minería de datos.
Los conjuntos preliminares y las redes neuronales son similares en el sentido de que ambos funcionan bien en entornos naturales. El método de la teoría aproximada de conjuntos simula el pensamiento lógico abstracto humano, mientras que el método de la red neuronal simula el pensamiento intuitivo visual, por lo que los dos tienen características diferentes. La teoría de conjuntos aproximados toma como insumo información cualitativa, cuantitativa o mixta que se acerca más a la descripción que hacen las personas de las cosas. La relación de mapeo entre el espacio de entrada y el espacio de salida se simplifica mediante una tabla de decisión simple. Considera la importancia de diferentes atributos en la representación del conocimiento para determinar qué conocimiento es redundante y cuál es útil. Las redes neuronales utilizan la idea de mapeo no lineal y métodos de procesamiento paralelo, y utilizan la estructura de la propia red neuronal para expresar la codificación de funciones implícitas del conocimiento relacionado con la entrada y la salida.
Existen dos diferencias principales entre el método de la teoría de conjuntos aproximados y el método de redes neuronales en el procesamiento de información: primero, la red neuronal no puede simplificar la dimensión del espacio de información de entrada cuando la dimensión del espacio de información de entrada. es grande, la red no solo La estructura es compleja y el tiempo de entrenamiento es largo; el método de conjunto aproximado no solo puede eliminar información de entrada redundante, sino que también simplifica la dimensión del espacio de expresión de la información de entrada al descubrir la relación entre los datos. En segundo lugar, el método de conjunto aproximado es sensible al ruido cuando se trata de problemas prácticos, por lo que los resultados del aprendizaje de inferencia utilizando muestras de entrenamiento sin ruido no son efectivos en un entorno ruidoso. El método de red neuronal tiene buena capacidad para suprimir la interferencia de ruido.
Por lo tanto, se combinan los dos métodos y se utiliza el método de conjunto aproximado para preprocesar la información, es decir, la red de conjunto aproximado se utiliza como sistema frontal y luego se forma el procesamiento de información de la red neuronal en función. sobre la estructura de información preprocesada por el método de conjunto aproximado. La combinación de los dos no solo puede reducir la cantidad de atributos expresados en la información y la complejidad del sistema de red neuronal, sino que también tiene una fuerte tolerancia a fallas y capacidades antiinterferencias, lo que proporciona una forma poderosa de lidiar con información incierta e incompleta.
Actualmente, la combinación de conjuntos aproximados y redes neuronales se ha utilizado en reconocimiento de voz, sistemas expertos, minería de datos, diagnóstico de fallas y otros campos. Las redes neuronales y los conjuntos aproximados se utilizan para la identificación automática de ubicaciones de fuentes de sonido. Las redes neuronales y los conjuntos aproximados se utilizan para la adquisición de conocimientos por parte de sistemas expertos, logrando mejores resultados que los sistemas expertos tradicionales que manejan datos inciertos e imprecisos. .
Aunque la combinación de conjuntos aproximados y redes neuronales se ha aplicado en muchos campos, para que este método desempeñe un papel más importante, se deben considerar las siguientes cuestiones: Método de teoría de conjuntos aproximados para simular la abstracción humana. pensamiento lógico La combinación con el método de red neuronal que simula el pensamiento intuitivo a través de imágenes es más efectiva y el desarrollo de una plataforma integrada de software y hardware mejora su practicidad;
Combinada con la teoría fractal
Desde que el profesor de matemáticas de la Universidad de Harvard, Benoit B. Mandelbrot, propuso el concepto de fractal a mediados de la década de 1970, la geometría fractal se ha convertido en una metodología científica: -Teoría fractal Se conoce como una etapa importante de las matemáticas en el siglo XX. Ha sido ampliamente utilizado en casi todos los campos de las ciencias naturales y sociales y se ha convertido en uno de los temas de investigación de vanguardia en muchas disciplinas del mundo.
Debido a su rápido desarrollo en muchas disciplinas, el fractal se ha convertido en una disciplina que describe la regularidad de muchas cosas irregulares en la naturaleza. Es ampliamente utilizado en biología, geografía, astronomía, infografía y otros campos.
El uso de la teoría fractal para explicar fenómenos irregulares, inestables y altamente complejos en la naturaleza puede lograr resultados significativos, y la combinación de redes neuronales con la teoría fractal aprovecha al máximo las capacidades informáticas y de mapeo no lineal de las redes neuronales. y otras ventajas pueden lograr mejores resultados.
Los campos de aplicación de las redes neuronales fractales incluyen el reconocimiento de imágenes, la codificación de imágenes, la compresión de imágenes y el diagnóstico de fallas de sistemas de equipos mecánicos. El método de compresión/descompresión de imágenes fractales tiene las ventajas de una alta tasa de compresión y una baja tasa de pérdida, pero su potencia informática no es fuerte. Debido al funcionamiento paralelo de las redes neuronales, la aplicación de redes neuronales en la compresión/descompresión de imágenes fractales mejora la potencia informática de los métodos originales. Combinando redes neuronales y fractales para identificar formas de frutas. Primero, las irregularidades de varios datos del contorno de la fruta se obtienen a través de fractales, luego se utiliza una red neuronal de tres capas para identificar estos datos y luego se evalúan sus irregularidades.
Las redes neuronales fractales han logrado muchas aplicaciones, pero todavía quedan algunas cuestiones que merecen un mayor estudio: el significado físico de las dimensiones fractales; la simulación por ordenador y la investigación de aplicaciones prácticas de los fractales. Con la profundización de la investigación, las redes neuronales fractales seguirán mejorando y logrando mejores resultados de aplicación. ?