Zastosowania sieci neuronowych
Przed zbadaniem dziedzin, w których SSN była szeroko stosowana, musimy zrozumieć, dlaczego SSN byłaby preferowanym wyborem aplikacji.
Dlaczego sztuczne sieci neuronowe?
Odpowiedź na powyższe pytanie musimy rozumieć na przykładzie człowieka. Jako dziecko uczyliśmy się tego z pomocą starszych, w tym rodziców lub nauczycieli. Później poprzez samokształcenie lub praktykę uczymy się przez całe życie. Naukowcy i badacze również czynią maszynę inteligentną, tak jak człowiek, a SSN odgrywa w tym samym bardzo ważną rolę z następujących powodów:
Za pomocą sieci neuronowych możemy znaleźć rozwiązanie takich problemów, dla których metoda algorytmiczna jest droga lub nie istnieje.
Sieci neuronowe mogą uczyć się na przykładzie, dlatego nie musimy ich w dużym stopniu programować.
Sieci neuronowe charakteryzują się dokładnością i znacznie większą prędkością niż prędkość konwencjonalna.
Obszary zastosowań
Oto niektóre obszary, w których używana jest SSN. Sugeruje to, że SSN ma interdyscyplinarne podejście do tworzenia i zastosowań.
Rozpoznawanie mowy
Mowa odgrywa znaczącą rolę w interakcji człowiek-człowiek. Dlatego naturalne jest, że ludzie oczekują interfejsów głosowych z komputerami. W obecnych czasach do komunikacji z maszynami ludzie nadal potrzebują zaawansowanych języków, których trudno się nauczyć i używać. Aby złagodzić tę barierę komunikacyjną, prostym rozwiązaniem może być komunikacja w języku mówionym, który jest zrozumiały dla maszyny.
W tej dziedzinie dokonał się duży postęp, jednak nadal tego rodzaju systemy borykają się z problemem ograniczonego słownictwa czy gramatyki oraz problemem przekwalifikowania systemu dla różnych mówców w różnych warunkach. SSN odgrywa ważną rolę w tej dziedzinie. Następujące SSN zostały użyte do rozpoznawania mowy:
Sieci wielowarstwowe
Sieci wielowarstwowe z powtarzającymi się połączeniami
Samoorganizująca się mapa funkcji Kohonen
Najbardziej użyteczną siecią do tego celu jest samoorganizująca się mapa funkcji Kohonen, która ma swoje dane wejściowe w postaci krótkich segmentów przebiegu mowy. Będzie odwzorowywać ten sam rodzaj fonemów co tablica wyjściowa, zwany techniką ekstrakcji cech. Po wyodrębnieniu cech, z pomocą niektórych modeli akustycznych jako przetwarzania końcowego, rozpozna wypowiedź.
Rozpoznawanie postaci
Jest to interesujący problem, który mieści się w ogólnym obszarze Rozpoznawania wzorców. Opracowano wiele sieci neuronowych w celu automatycznego rozpoznawania odręcznych znaków, liter lub cyfr. Poniżej przedstawiono niektóre SSN, które były używane do rozpoznawania znaków -
- Wielowarstwowe sieci neuronowe, takie jak sieci neuronowe z propagacją wsteczną.
- Neocognitron
Chociaż sieci neuronowe wykorzystujące propagację wsteczną mają kilka ukrytych warstw, lokalizowany jest schemat połączeń między warstwami. Podobnie neokognitron ma również kilka ukrytych warstw, a jego trening odbywa się warstwa po warstwie dla tego rodzaju zastosowań.
Wniosek o weryfikację podpisu
Podpisy to jeden z najbardziej użytecznych sposobów autoryzacji i uwierzytelnienia osoby w transakcjach prawnych. Technika weryfikacji sygnatury nie jest oparta na wizji.
W przypadku tego zastosowania pierwszym podejściem jest wyodrębnienie cechy lub raczej zestawu cech geometrycznych reprezentujących sygnaturę. Dzięki tym zestawom funkcji musimy trenować sieci neuronowe przy użyciu wydajnego algorytmu sieci neuronowej. Ta wyszkolona sieć neuronowa będzie klasyfikować podpis jako autentyczny lub sfałszowany na etapie weryfikacji.
Rozpoznawanie twarzy człowieka
Jest to jedna z biometrycznych metod identyfikacji twarzy. Jest to typowe zadanie ze względu na charakterystykę obrazów „innych niż twarze”. Jeśli jednak sieć neuronowa jest dobrze wytrenowana, to można ją podzielić na dwie klasy, a mianowicie obrazy z twarzami i obrazy, które nie mają twarzy.
Po pierwsze, wszystkie obrazy wejściowe muszą zostać wstępnie przetworzone. Następnie należy zmniejszyć wymiarowość tego obrazu. I wreszcie musi zostać sklasyfikowany przy użyciu algorytmu uczenia sieci neuronowej. Następujące sieci neuronowe są używane do celów szkoleniowych z wstępnie przetworzonym obrazem -
W pełni połączona wielowarstwowa sieć neuronowa ze sprzężeniem zwrotnym, trenowana za pomocą algorytmu propagacji wstecznej.
W celu redukcji wymiarowości używana jest analiza głównych komponentów (PCA).