신경망의 응용

ANN이 광범위하게 사용 된 분야를 연구하기 전에 ANN이 선호되는 애플리케이션 선택 인 이유를 이해해야합니다.

왜 인공 신경망인가?

우리는 인간의 예를 들어 위의 질문에 대한 답을 이해할 필요가 있습니다. 어렸을 때 우리는 부모님이나 선생님을 포함한 연장자의 도움을 받아 배웠습니다. 그런 다음 나중에 자기 학습이나 연습을 통해 평생 동안 계속 학습합니다. 과학자들과 연구자들은 또한 인간처럼 기계를 지능적으로 만들고 있으며 ANN은 다음과 같은 이유로 동일한 역할을합니다.

  • 신경망의 도움으로 알고리즘 방법이 비싸거나 존재하지 않는 문제에 대한 해결책을 찾을 수 있습니다.

  • 신경망은 예제를 통해 학습 할 수 있으므로 프로그래밍 할 필요가 없습니다.

  • 신경망은 기존 속도보다 정확성과 속도가 상당히 빠릅니다.

적용 분야

다음은 ANN이 사용되는 일부 영역입니다. 이는 ANN이 개발 및 응용 분야에서 학제 간 접근 방식을 가지고 있음을 시사합니다.

음성 인식

음성은 인간과 인간의 상호 작용에서 중요한 역할을합니다. 따라서 사람들이 컴퓨터와 음성 인터페이스를 기대하는 것은 당연합니다. 오늘날에도 기계와의 소통을 위해서는 배우고 사용하기 어려운 정교한 언어가 여전히 필요합니다. 이 통신 장벽을 완화하기 위해 간단한 해결책은 기계가 이해할 수있는 음성 언어로 통신하는 것입니다.

이 분야에서 큰 진전이 있었지만, 이러한 종류의 시스템은 여전히 ​​다른 조건에서 다른 화자를위한 시스템 재교육 문제와 함께 제한된 어휘 또는 문법 문제에 직면 해 있습니다. ANN은이 분야에서 중요한 역할을하고 있습니다. 다음 ANN은 음성 인식에 사용되었습니다.

  • 다층 네트워크

  • 반복 연결이있는 다층 네트워크

  • Kohonen 자체 구성 기능 맵

이를 위해 가장 유용한 네트워크는 음성 파형의 짧은 세그먼트로 입력되는 Kohonen Self-Organizing 기능 맵입니다. 기능 추출 기술이라고하는 출력 배열과 동일한 종류의 음소를 매핑합니다. 기능을 추출한 후 일부 음향 모델의 도움으로 백엔드 처리로 발화를 인식합니다.

문자 인식

패턴 인식의 일반적인 영역에 속하는 흥미로운 문제입니다. 손으로 쓴 문자 (글자 또는 숫자)의 자동 인식을 위해 많은 신경망이 개발되었습니다. 다음은 문자 인식에 사용 된 몇 가지 ANN입니다.

  • 역 전파 신경망과 같은 다층 신경망.
  • Neocognitron

역 전파 신경망에는 여러 개의 숨겨진 계층이 있지만 한 계층에서 다음 계층으로의 연결 패턴은 지역화됩니다. 마찬가지로, neocognitron은 여러 숨겨진 레이어를 가지고 있으며 이러한 종류의 응용 프로그램을 위해 레이어별로 훈련이 수행됩니다.

서명 확인 신청서

서명은 법적 거래에서 사람을 승인하고 인증하는 가장 유용한 방법 중 하나입니다. 서명 검증 기술은 비전 기반 기술입니다.

이 응용 프로그램의 경우 첫 번째 접근 방식은 특성 또는 서명을 나타내는 기하학적 특성 집합을 추출하는 것입니다. 이러한 기능 세트를 사용하여 효율적인 신경망 알고리즘을 사용하여 신경망을 훈련해야합니다. 이 훈련 된 신경망은 서명을 인증 단계에서 진짜 또는 위조 된 것으로 분류합니다.

인간의 얼굴 인식

주어진 얼굴을 식별하는 생체 인식 방법 중 하나입니다. "비 얼굴"이미지의 특성화로 인해 일반적인 작업입니다. 그러나 신경망이 잘 훈련 된 경우 얼굴이있는 이미지와 얼굴이없는 이미지라는 두 가지 클래스로 나눌 수 있습니다.

먼저 모든 입력 이미지를 전처리해야합니다. 그런 다음 해당 이미지의 차원을 줄여야합니다. 그리고 마침내 신경망 훈련 알고리즘을 사용하여 분류해야합니다. 다음 신경망은 전처리 된 이미지로 훈련 목적으로 사용됩니다-

  • 역 전파 알고리즘의 도움을 받아 훈련 된 완전히 연결된 다층 피드 포워드 신경망.

  • 차원 감소를 위해 PCA (Principal Component Analysis)가 사용됩니다.