05 марта 2016г.
Одно из перспективных направление применения искусственных нейронных сетей (ИНС) – промышленное производство. В этой области ощутима тенденция перехода к производственным модулям с высоким уровнем автоматизации, что требует увеличения количества интеллектуальных саморегулирующихся и самонастраивающихся машин. Однако, производственным процессам свойственно большое разнообразие динамически взаимодействующих параметров, что усложняет создание адекватных аналитических моделей. Современное производство постоянно усложняется. Это замедляет внедрение новых технологических решений. Кроме того, в ряде случаев удачные аналитические математические модели показывают несостоятельность из-за недостатка вычислительных мощностей [14]. В связи с этим возрастает интерес к альтернативным подходам моделирования производственных процессов с использованием ИНС, предоставляющим возможности создавать модели, работающие в реальном времени с малыми погрешностями, способные дообучаться в процессе использования. Преимущества нейросетей делают их использование привлекательным для решения задач, таких как:
· прогнозирование;
· планирование;
· проектирование АСУ;
· управление качеством;
· управление манипуляторами и робототехникой;
· обеспечение безопасности производства: обнаружение неисправностей и предупреждение аварийных ситуаций;
· управление процессами: оптимизация режимов производственных процессов; мониторинг и визуализация диспетчерской информации.
Сегодня прогнозирование на основе ИНС наиболее полно реализовано в сфере финансов и в экономике. В промышленном производстве, нейросети могут быть полезными, например, при создании модели управления рисками предприятия [20], планировании производственного цикла [19]. Моделирование и оптимизация производства характеризуется высокой сложностью, большим количеством переменных и констант, определенных не для всех возможных систем. Традиционные аналитические модели часто можно построить только при значительном упрощении, и они носят в основном оценочный характер. В то время как ИСН обучается на основе данных реального или численного эксперимента [21].
Классические методы построения АСУ технологическими процессами строятся на формализованных знаниях человека об объекте управления. Вариант построение АСУ на основе нейросети реализует свойственные человеку когнитивные приемы. В качестве примеров успешного применения ИНС в данной сфере можно назвать управление сложными процессами и объектами в условиях информационной неопределенности [17], процессами механообработки, робототехническими системами [18, 10] и др.
Большой опыт накоплен в области использования ИНС при управлении качеством в промышленности. Например, нейронная сеть, примененная на предприятиях Intel, для идентификации брака при производстве микросхем способна забраковать неисправный чип с точностью 99,5%. Путем подачи звуковых волн и приема отраженного сигнала, а затем обработкой ИНС, специалисты из National Institute of Standards and Technology (NIST) проверяют качество бетона при толщине материала до полуметра [1, 16].
В области обнаружения неисправностей использование ИНС позволяет в режиме реального времени следить за состоянием оборудования [6], выявлять отклонения и предупреждать наступление аварийных ситуаций. Большие перспективы открывает использование нейросетей в области мониторинга загрязнения окружающей среды, что также понижает риск техногенных аварий [21, 25].
2. Нейронные сети в информационных технологиях
В связи с увеличением сложности и разнородности современных информационно-коммуникационных систем, все чаще оказываются несостоятельными традиционные меры обеспечения их функционирования. Одним из перспективных направлений решения практических задач в сфере информационных технологий является исследование возможностей применения ИНС.
Анализ соответствующей специальной литературы показал, что в информационной среде нейросети зарекомендовали себя в следующих направлениях:
· управление сетями и их оптимизация;
· обеспечение информационной безопасности сетей связи;
· распознавание вводимой информации;
· обработка и поиск информации.
С помощью ИНС успешно решается важная задача в области телекоммуникаций – нахождение оптимального пути трафика между узлами. Учитываются две особенности: во-первых, решение должно быть адаптивным, т. е. учитывать текущее состояние сети связи и наличие сбойных участков, а во-вторых, оптимальное решение необходимо находить в реальном времени. Кроме управления маршрутизацией потоков, нейронные сети используются для получения эффективных решений при проектировании телекоммуникационных сетей [12; 18, 21].
В области обеспечения информационной безопасности нейросети также успешно решают задачи, недоступные традиционным подсистемам, ориентированным на заранее заданные классы угроз в условиях возрастающей сложности и динамики разнородного программного обеспечения. Так, хорошо исследованы возможности применения технологий на базе НС для идентификации и аутентификации [8], антивирусной защиты [26], обнаружения и предупреждения вторжений [12; 13], управления рисками информационной безопасности, выявления уязвимостей [26] и др.
Кроме указанных примеров теоретических изысканий, в открытых источниках можно встретить упоминание практических реализаций. Например, разработаная лабораторией GoogleX система распознавания Vicarious, решающая задачу прохождения CAPTCHA-теста. Исследователям удалось достичь 90% точности распознавания CAPTCHA от Google, Yahoo, PayPal, Captcha.com и других проектов. Это исследование показывает, что современные CAPTCHA уже не эффективны в качестве теста Тьюринга. В рамках другого проекта Google X была создана экспериментальная компьютерная НС, способная самостоятельно распознавать в видеопотоке морфологические объекты, например, кошек. Еще одним примером работающего проекта является работы ряда фирм, ориентированные на борьбу с мошенничеством в банковской сфере.
Распознавание речи – одна из наиболее популярных областей применений НС [18]. Демонстрационная система для дикторонезависимого речевого управления встроенным калькулятором Windows (разработчик – российская компания Нейропроект) способна распознавать 36 команд, сказанных в стандартный микрофон независимо от особенностей голоса и произношения [12, 21]. Использование нейросетевых технологий в криптографии также представлено интересными разработками [16, 21]. Чаще всего применение НС связано c криптосистемами с открытым ключом Меркла-Хэллмана.
Компанией Fein-Marquart Associates Inc разработана программа распознавания почтовых индексов с автоматической дальнейшей сортировкой. Система распознает как типографские, так и написанные от руки цифры. Точность распознавания оценивается значением 98% [2, 16]. Компания AT&T Bell Laboratories добилась показателей в 0,14% ошибок НС в процессе распознавания символов при предъявлении обучающей пары из набора представительских выборок, использованной при обучении, и 5,0% – при распознавании «новых» символов [18, 21].
В информационном обществе перспективным направлением является применение ИНС для кодирования и декодирования информации. В качестве первоочередной тут выступает задача обработки речевой информации и изображений. Широко известным стал метод сжатия информации, предложенный в 1987 г. [11]. Большое внимание уделяется построению нейросетевых приемников множественного доступа.
Список литературы
1. Аксенов С.В. Организация и использование нейронных сетей (методы и технологии) / С.В. Аксенов, В.Б. Новосельцев; под общ. ред. В.Б. Новосельцева. – Томск : Изд-во НТЛ, 2006. – 128 с.
2. Александрова Ю.Н. Анализ профессиональной пригодности кандидата на основе нейронных сетей. / Ю.Н. Александрова. // Интернет-журнал Науковедение . – 2014. – №1 (20). – 10 с.
3. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. / А.Б. Барский. – М.: Финансы и статистика, 2004. – 176 с.
4. Бестенс Д.-Э. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. / Д.-Э. Бестенс, В. -М.Ван Ден Берг, Д. Вуд. –М.: ТВП, 1997. – 236 с.
5. Бехтерев В. Основы учения о функциях мозга. Вып. 1. / В. Бехтерев. – СПб.: Брокгауз и Ефрон, 1903. – 253 с.
6. Боровиков П.В. Нейронные сети. Statistica Neural Networks.: Методология и технологии современного анализа данных. Изд. 2-е. / П.В. Боровиков. – М.: Горячая линия-Телеком, 2008. – 392 с.
7. Бэн Александр. Душа и тело: Пер. с 6-го англ. изд. / А. Бэн – Киев: Ф.А. Иогансон, 1887. – 215 с.
8. Волчихин В.И. Естественное использование искусственных нейронных сетей в биометрии. / В.И. Волчихин, А.И. Иванов. // Системы безопасности. – 2002. – №3 (45). – С.46-47.
9. Воронов А.А. Основы теории автоматического управления: Автоматическое регулирование непрерывных линейных систем. / А.А. Воронов. – М.: Энергия, 1980. – 312 с.
10. Галушкин А.И. О путях интеграции управляющих функций современных робототехнических систем. / А.И. Галушкин, В.А. Лопота, Д.В. Пантюхин, Е.Н. Юревич. // Известия ЮФУ. Технические науки. – 2006. – №3.– С. 69-74.
11. Горбань А.Н. Обучение нейронных сетей. / А.Н. Горбань. – М.: СП ПараГраф, 1990. 160 с.
12. Гришин А.В. Нейросетевые технологии в задачах обнаружения компьютерных атак. / А.В. Гришин. // Информационные технологии и вычислительные системы. – 2011. – №1. – C. 53-64.
13. Емельянова Ю.Г. Нейросетевая технология обнаружения сетевых атак на информационные ресурсы. / Ю.Г. Емельянова, А.А. Талалаев, И.П. Тищенко, В.П. Фраленко. // Программные системы: теория и приложения: электронный научный журнал. – 2011. – № 3(7). – C. 3-15.
14. Залога В.А. Выбор оптимальной структуры нейронной сети для решения задач теории резания. / В.А. Залога, Д.В. Криворучко, А.А. Мишенин. // Резание и инструмент в технологических системах: Межд. научн. техн. сб. – Харьков: НТУ ХПИ, 2002. – Вып. 63. – С. 65-71.
15. Каргапольцев С.К. Система поддержки принятия решений для обеспечения автоматизации управления вузом. / С.К. Каргапольцев, Н.В. Лашук. // Информационные технологии. – 2009. – №6. – С. 82-84.
16. Касторнова В.А. Искусственные нейронные сети как современные средства информатизации. / В.А. Касторнова, М.Г. Можаева. // Информационная среда образования и науки. – 2012. – №7. – С. 1-17.
17. Клепиков В.Б. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами. / В.Б. Клепиков, С.А. Сергеев, К.В. Махотило, И.В. Обруч. // Электротехника. – 1999. – №5. – С. 2-6.
18. Комашинский В.И. Нейронные сети и их применения в системах управления и связи. / В.И. Комашинский, Д.А. Смирнов. – М.: Горячая линия – Телеком, 2003. – 94 с.
19. Комиссарчик В.Ф. Применение нейронных сетей для краткосрочного прогнозирования электропотребления.
/ В.Ф. Комиссарчик, В.Н. Зуев, А.Н. Киселев. // Программные продукты и системы. – 2009. – №1. – С. 147- 149.
20. Корнеев Д.С. Использование аппарата нейронных сетей для создания модели оценки и управления рисками предприятия. / Д.С. Корнеев. // Управление большими системами. – 2007. – №17. – С. 81-102.
21. Круг П.Г. Нейронные сети и нейрокомпьютеры. / П.Г. Круг. – М: Изд-во МЭИ., 2002. – 177 с.
22. Круглов В.В. Применение аппарата нейронных сетей для анализа социологических данных. / В.В. Круглов, М.И. Дли. // Социологические исследования. – 2001. – № 9. – С. 112-114.
23. Кузин А. Ю. Детерминированный нейросетевой алгоритм обработки данных психодиагностики. / А.Ю. Кузин, Е.В. Славутская, Л.А. Славутский. // Вестник ЧГУ. – 2011. – №3. – С.137-141.
24. Мак-Каллок У.С. Логическое исчисление идей, относящихся к нервной активности. / У.С. Мак-Каллок, В. Питтс. // Автоматы. – М.: Иностр. лит., 1956. – С. 363-384.
25. Марков А.С. Организационно-технические проблемы защиты от целевых вредоносных программ типа Stuxnet. / А.С. Марков, А. А. Фадин. // Вопросы кибербезопасности. – 2013. – №1(1). – С. 28-36.
26. Марков Г.А. Оценка и планирование испытаний программ с открытым исходным текстом с помощью нейросетевых технологий. / Г.А. Марков. // Сб. Трудов IV всерос. конф. – М.: НИИ РиЛТ МГТУ им. Н.Э. Баумана, 2013. – С. 90-93.
