Прежде чем изучать области, где ANN широко используется, мы должны понять, почему ANN будет предпочтительным выбором приложения.
Почему искусственные нейронные сети?
Нам нужно понять ответ на поставленный выше вопрос на примере человека. В детстве мы привыкли учить вещи с помощью наших старших, в том числе наших родителей или учителей. Затем, благодаря самообучению или практике, мы продолжаем учиться всю жизнь. Ученые и исследователи также делают машину умной, точно так же, как человек, и ANN играет в этом очень важную роль по следующим причинам:
-
С помощью нейронных сетей мы можем найти решение таких задач, для которых алгоритмический метод дорог или не существует.
-
Нейронные сети могут учиться на собственном примере, поэтому нам не нужно много программировать.
-
Нейронные сети обладают точностью и значительно большей скоростью, чем обычные скорости.
С помощью нейронных сетей мы можем найти решение таких задач, для которых алгоритмический метод дорог или не существует.
Нейронные сети могут учиться на собственном примере, поэтому нам не нужно много программировать.
Нейронные сети обладают точностью и значительно большей скоростью, чем обычные скорости.
Области применения
Ниже приведены некоторые из областей, где используется ANN. Это предполагает, что у ANN есть междисциплинарный подход в его разработке и приложениях.
Распознавание речи
Речь занимает видную роль в общении человека с человеком. Поэтому для людей естественно ожидать речевые интерфейсы с компьютерами. В современную эпоху для общения с машинами людям по-прежнему нужны сложные языки, которые трудно изучать и использовать. Чтобы ослабить этот коммуникационный барьер, может быть простое решение — общение на разговорном языке, понятное для машины.
В этой области достигнут большой прогресс, однако такие системы все еще сталкиваются с проблемой ограниченного словарного запаса или грамматики, а также с проблемой переподготовки системы для разных говорящих в разных условиях. ANN играет важную роль в этой области. Следующие ANN были использованы для распознавания речи —
-
Многослойные сети
-
Многослойные сети с периодическими подключениями
-
Карта самоорганизации Кохонена
Многослойные сети
Многослойные сети с периодическими подключениями
Карта самоорганизации Кохонена
Наиболее полезной сетью для этого является карта самоорганизации Кохонена, в которую вводятся короткие отрезки речевого сигнала. Он будет отображать тот же тип фонем, что и выходной массив, называемый методом извлечения признаков. После извлечения функций с помощью некоторых акустических моделей в качестве внутренней обработки он распознает высказывание.
Распознавание персонажей
Это интересная проблема, которая относится к общей области распознавания образов. Многие нейронные сети были разработаны для автоматического распознавания рукописных символов, букв или цифр. Ниже приведены некоторые номера ANN, которые использовались для распознавания символов.
- Многослойные нейронные сети, такие как нейронные сети Backpropagation.
- Неокогнитрон
Хотя нейронные сети с обратным распространением имеют несколько скрытых слоев, схема соединения от одного уровня к другому локализована. Аналогичным образом, у неокогнитрона также есть несколько скрытых слоев, и его обучение делается слой за слоем для такого рода приложений.
Приложение для проверки подписи
Подписи являются одним из наиболее полезных способов авторизации и аутентификации человека в юридических транзакциях. Метод проверки подписи — это метод, не основанный на видении.
Для этого приложения первый подход заключается в извлечении элемента или, вернее, геометрического набора элементов, представляющего подпись. С этими наборами функций мы должны обучать нейронные сети, используя эффективный алгоритм нейронной сети. Эта обученная нейронная сеть будет классифицировать подпись как подлинную или поддельную на стадии проверки.
Распознавание человеческого лица
Это один из биометрических методов для идентификации данного лица. Это типичная задача из-за характеристики «не лица» изображения. Однако, если нейронная сеть хорошо обучена, ее можно разделить на два класса, а именно изображения с лицами и изображения без лиц.
Во-первых, все входные изображения должны быть предварительно обработаны. Затем размерность этого изображения должна быть уменьшена. И, наконец, он должен быть классифицирован с использованием алгоритма обучения нейронной сети. Следующие нейронные сети используются в учебных целях с предварительно обработанным изображением —
Полностью подключенная многослойная нейронная сеть с прямой связью, обученная с помощью алгоритма обратного распространения.
Для уменьшения размерности используется анализ главных компонентов (PCA).