img015

Rozdział 2. Historia powstania i kierunki rozwoju sieci neuronowych

Delay Neural Nelwork) i uważane jest za najbardziej efektywną technikę analizy, syntezy, przetwarzania i rozpoznawania sygnałów zależnych od czasu (w tym także sygnału mowy).

Po tych kilku konkretnych przykładach przedstawimy bardziej systemtyczny przegląd zastosowań.

Klasycznym, ale do dziś najczęściej spotykanym obszarem zastosowań technicznych sieci neuronowych są zagadnienia rozpoznawania, a zwłaszcza problemy rozpoznawania kontekstowego i inwariantnego (w sensie niezależności od typowych transformacji). Sieci neuronowe stosuje się także do zadań klasyfikacji oraz do analizy obrazów' i ich przetwarzania. Wiele konkretnych prac poświęcono kompresji obrazów i ich segmentacji, problemom odtwarzania oraz „rozumienia” obrazów* i wielu podobnym zagadnieniom z pogranicza teorii i praktyki. Prace praktyczne, zwłaszcza w zastosowaniach gospodarczych, dotyczą zwykle zagadnień wąskich i dobrze określonych (na przykład weryfikacja podpisów lub badania uziarnienia surowców mineralnych), ale podejmowane są także zagadnienia ogólniejsze, na przykład rozpoznawnie ręcznie pisanych znaków lub klasyfikacja faktur. Trudno tu oczywiście o dokładne i szczegółowe statystyki, ale z oszacowań autora wynika, żc ponad 70% prac dotyczących sieci neuronowych odwołuje się pośrednio lub bezpośrednio cło zagadnień rozpoznawania. Jest to tematyka tak silnie dominująca nad pozostałymi zastosowaniami, że niepodobna wyobrazić sobie badacza sieci, który niemialby styczności z systemami wizyjnymi, chociaż zagadnienia analizy i rozpoznawania innych sygnałów także znajdują należne im miejsce — na przykład rozpoznawanie mowy i innych sygnałów dźwiękowych (zwłaszcza w powiązaniu z modelami systemu słuchowego i jego elementów), a także przy analizie tekstów pisanych w języku naturalnym, między innymi w dość „egzotycznym” zakresie ich parafrazowania. Przedmiotem zastosowań sieci neuronowych bywa diagnostyka medyczna, a także analiza sil w elemencie chwytnym robota, sygnałów sonaru łub radaru, sygnałów dotykowych i innych typów sygnałów i informacji.

Pewną egzotyczną, nowo kształtującą się dziedziną zastosowań jest wykorzystanie sieci neuronowych do „klasycznych” zadań przetwarzania sygnałów, takich jak konwersje, filtracje i aproksymacje oraz inne odwzorowania i transformacje (zwłaszcza Fouriera). W literaturze pojawia się coraz więcej prac opisujących struktury takich sieci oraz ich zastosowania.

Inne, bardzo często spotykane, zastosowania sieci neuronowych dotyczą robotyki, automatyki, a także teorii sterowania (zwłaszcza sterowania adaptacyjnego w układach sa-mouczących się) i zagadnień optymalizacji. W publikowanych pracach nie unika się także poszczególny cli, węższych tematycznie problemów automatyki w rodzaju identyfikacji systemów dynamicznych, sterowania ruchem pojedynczego obiektu (zwykle robota) lub ruchem zbiorowości pojazdów. Wiele prac na temat sieci neuronowych (traktowanych także jako obiekty biologiczne) dotyczy percepcji ruchu i jego planowania, a także koordynacji sen-sornotoryczuej wraz z analizą zależności czasoprzestrzennych. Sieci neuronowe wykorzystuje się także w zagadnieniach pomocniczych, mających związek z automatyką: w metrologii (do oceny błędów sensorów) i w telekomunikacji. Warto dodać,że porównanie zastosowań sieci, jako elementów sterujących, z tradycyjnymi regulatorami wypada zdecydowanie na korzyść sieci.

Z badań nad sieciami neuronowymi najbardziej naturalną korzyść powinna odnieść w niedalekim czasie informatyka. Panuje dość zgodny pogląd, że postęp w dziedzinie sieci neuronowych przybliża zbudowanie pamięci asocjacyjnej (zwłaszcza duże zainteresowanie informatyków budzi klasa tak zwanych dwukierunkowy cli pamięci asocjacyjnych BAM). Budowa i uczenie sieci neuronowych wnosi też wiele wartościowych przyczynków do problematyki pamięci rozproszonej. Pewnym ubocznym skutkiem tych prac rnoże być też tworzenie co-