Внутрилабораторный контроль качества. Решение проблем, выявленных при анализе контрольных данных, страница 17

Современные компьютеры способны решать (с высоким быстродействием и точностью) формализованные задачи с определенными данными и по известным алгоритмам. В тех же случаях, когда задача не поддается формализации, входные данные частично неизвестны, зашумлены и противоречивы, традиционные компьютерные алгоритмы становятся неэффективными. Альтернативой им могут быть программы, в которых информация кодируется и запоминается в распределении связей между нейронами в нейросети [Jones D., 1990]. Когда мы говорим о нейронных сетях, то чаще имеем в виду искусственные нейронные сети (ИНС). Некоторые ИНС моделируют биологические нейронные сети, некоторые нет. Однако исторически сложилось так, что первые искусственные нейронные сети были созданы в результате попыток сформировать компьютерную модель, воспроизводящую деятельность мозга в упрощенной форме. Конечно, возможности человеческого мозга неизмеримо больше, чем возможности самой мощной искусственной нейронной сети. Вместе с тем искусственные нейросети обладают рядом свойств, присущих биологическим нейросетям, в том числе и человеческому мозгу [Щетинин В.Г, Комаров В.Т., 1998].

Главное свойство нейросетей — способность к обучению. Для решения какой-либо задачи на компьютере традиционным методом необходимо знать правила (математические формулы), по которым из входных данных можно получить выходные (найти решение задачи). С помощью нейросети можно найти решение, не зная правил, а имея несколько примеров. Нейросети используют подход к решению задач более близкий к человеческому, чем традиционные вычисления.

Другое важное свойство нейросетей — способность находить решение, основываясь на зашумленных, искаженных и даже противоречивых данных. Еще одно замечательное свойство — это отказоустойчивость. В случае выхода из строя части нейронов вся сеть в целом продолжает оставаться работоспособной, хотя, конечно, точность снижается. Это свойство важно для аппарат-но реализованных нейросетей, так как если нейросеть эмулируется на традиционном компьютере, то в случае выхода из строя центрального процессора вся нейросеть теряет работоспособность [Watrous R.L. et al., 1995J.

В принципе нейронные сети могут вычислить любую функцию, имеющую решение, иными словами, делать все, что могут делать традиционные компьютеры [Горбань А.Н. и др., 1997].

На практике применение нейронной сети может быть оправдано в том случае, если задача обладает следующими признаками:

§  • отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров;

§  • проблема характеризуется большими объемами входной информации;

§  • данные неполны или избыточны, зашумлены. частично противоречивы.

В настоящее время искусственные нейронные сети все шире применяют в следующих областях:

§  • классификация образов;

§  • кластеризация/категоризация;

§  • предсказание/прогноз;

§  • оптимизация систем большой размерности;

§  • планирование применения сил и средств;

§  • адаптивное управление.

Решение задач «классификаций образов» и «предсказание/прогноз» интересны с точки зрения собственно лабораторной диагностики, а «оптимизация систем большой размерности», «планирование применения сил и средств», «адаптивное управление» — это те задачи, которые могут решаться применительно к организации процессов лабораторной диагностики как системы [Щетинин В.Г., Комаров В.Т., 1998].

В настоящее время известны три способа реализации нейросетей:

§  • программный (на традиционных компьютерах);

§  • программно-аппаратный (в компьютерах устанавливают дополнительные нейроплаты для ускорения обработки информации);

§  • аппаратный (создание специализированных нейрокомпьютеров).

Нейропакет может быть реализован в виде отдельной оболочки, надстройки над электронными таблицами или в виде специализированного математического пакета.

Нейропакеты можно разделить на 6 больших групп:

§  • средства разработки, включающие различные библиотеки нейронных парадигм и обучающих алгоритмов, которые в дальнейшем используют для создания универсальных или специализированных нейропакетов (например, Neural Net Deve-loper Library компании «Ward Systems Group»);