Использование нейронных сетей Опции

[3.14]

Тут ссылку на кучу книжек выложили - очень интересно.
Интересно, а много среди нас тех кто яростно использует эти самые нейронные сети и в каких задачах.
Я так прикинул куда их можно прикрутить.
Пусть фильтрация сигналов, дык вроде как оптимального фильтра круче нет на свете, да и с анализом оптималки куда проще, во всяком случае не сложнее.
Распознавание образов. Стояла актуальная задача (в общем так и не упала).
Прикупил книжку (не помню название синенькая такая), там был даже пример распознавания контуров объектов, так вот незадача самая важная часть (количественная оценка объекта, например танк=1.3 а дом=5) вычислялась Фурье преобразованием, а вот компаратор объектов выполнен на нейронах
Еще неудачный пример. Несколько лет назад, будучи студентом, попалась компьютеррка с популяризацией эволюционных методов обучения нейронных сетей. От прочитанного эмоции лились через край (в возбужденной голове мелькали фразы "Я понял суть мироздания! Миру пи@дец!"). Принялся за дело. Для начала решил из одного урезанного нейрона получить эволюционными методами кореллятор. Написал в MatLab программку и вперед, за 15 минут расчета сеть (если можно так назвать) приблизилась к результату ~95% далее за сутки почти ни с места.
В общем, буду рад услышать ваши отзывы, только не надо бщих фраз типа "Ну а вы что хотели, это конкретные решения конкретных задач".

[nsemenoff]

Господа, мне кажется, что вы неправильно толкуете саму нейронную сеть... В общем случае она - всего лишь инструмент для того, чтобы описать ЛЮБУЮ гладкую функцию от многих переменных. Поэтому я использую нейронные сети именно с этой целью - унифицировать и упростить эмпирические зависимости. Сравните степенные полиномы с простейшими параллельными перцептрончиками - вторые явно проще и быстрее работают. Плюс при изменении этой зависимости достаточно просто поменять коэффициенты, не меняя структуры всей системы. Мне нравится. А классификация - это частное применение, и никто еще не доказал, что оно оптимально...

[DRUID3]

Вопросик, а есть ли в природе бесплатные библиотеки по нейронным сетям, или, еще лучше, коллекция исходикоФФ...

[gab]

Вопросик, а есть ли в природе бесплатные библиотеки по нейронным сетям, или, еще лучше, коллекция исходикоФФ...

Вообще- дофига! Топаем на www.sourceforge.net и ищем.
Есть библиотеки даже под перл!
Но мне кажется, лучше начинать с постановки задачи. И уже от этого плясать и искать.
А то ведь могу посоветовать взять исходники нейронки с www.module.ru для процессора nm6403/04. А без самого процессора толку с них полный нуль .

[AVL]

К вопросу о применении, личный опыт.
1) MLP применил для различения 2-х звуковых классов: речи и музыки. В качестве первичных признаков использовал модуляционный спектральный анализ.
2) Карту Kohonen SOM применил для квантования коэффициентов отражения в вокодере.

[Mike86]

Господа, мне кажется, что вы неправильно толкуете саму нейронную сеть... В общем случае она - всего лишь инструмент для того, чтобы описать ЛЮБУЮ гладкую функцию от многих переменных. Поэтому я использую нейронные сети именно с этой целью - унифицировать и упростить эмпирические зависимости. Сравните степенные полиномы с простейшими параллельными перцептрончиками - вторые явно проще и быстрее работают. Плюс при изменении этой зависимости достаточно просто поменять коэффициенты, не меняя структуры всей системы. Мне нравится. А классификация - это частное применение, и никто еще не доказал, что оно оптимально...

Вопрос: если не секрет - где именно используете НС?

[SyStemSHIK]

При более сложном алгоритме управления получается, что использование НС не выгодно. Прелесть НС в том, что она учится управлять сама. Но кто будет ее учить? Применение сетей без учителя возможно, но при небольшом количестве нейронов. Применение сетей с учителем требует непосредственно учителя, а учить может или человек или регулятор, который подключен параллельно с НС находящейся в состоянии обучения. Сами понимаете, что если есть работающий регулятор, то зачем еще городить НС. Вот и возникает вопрос, как зависит структура НС от сложности объекта управления?)

Наш опыт использования НС для предсказания аварийных ситуаций на объектах Энергетики и Жизнеобеспечения городского хозяйства (предикативная АСУТП с самообучением) показывает:

1. УЧИТ-УЧИТЕЛЬ И ДЕЛО ЭТО ЗАТРАТНОЕ. НС начинает устойчиво (в большинстве случаев) управлять объектом сама (причем одновременно по нескольким параметрам) после накопления данных (8мес круглосуточно) + обучение разрешенным действиям (еженедельный manual DataMining в течение 3мес + ежемесячный manual learning curve 5мес).

2. ПРИМЕНЯТЬ ВЫГОДНО ЕСЛИ ОБЪЕКТ УПРАВЛЕНИЯ СТОИТ >2.5 mega$. В итоге чтобы НС заработала почти как мы хотели, пришлось вбить около 250 k$.

3. КОНФИГУРАЦИЯ СЕТИ. По нашей далеко не финальной версии 1канал измерения параметра - 3узла, 1канал воздействия (имеем в виду оценку "ОТДАЧИ или ИНЕРЦИИ" то есть решили приложить 100% а объект СОПРОТИВЛЯЕТСЯ в итоге приложилось 82% за время воздействия)-2узла. 1управляющее правило-5узлов. Кол-во и веса связей между узлами? до сих пор мы не выработали единый метод оценки кол-ва узлов, сейчас пытаемся связать их с временем обучения (сокращение learning curve, но без первичного manual Datamining к сожалению никуда).

[beaRTS]

По поводу применения НС рекомендую прочесть книжки "применение НС для обработки сигналов" и "... для обработки изображений".

что за книжки то??? ссылочку или хотя бы более полное название с авторами

[mutato]

Одна из лучших книг по теории НС это Interactive book "Neural and Adaptive Systems: Fundamentals Through Simulations" , которая идет с программой NeuroSolutions, разработчик NeuroDimension. Множество примеров по обработке данных, которые при наличии программы запускаются прямо из книги. Все подробно изложено, от простого к сложному. Построение НС в NeuroSolutions организовано в виде "драг энд дроп", симпатичненько :-)