Скачать учебники

Тикунов В. С. Геоинформатика. Нейронные сети

Скачать полную версию учебника (с рисунками, формулами, картами, схемами и таблицами) одним файлом в формате MS Office Word Скачать книгу

Нейронные сети. Каждая точка пространства имеет собственные, нередко уникальные характеристики. Это зачастую приводит к определенным сложностям в выработке региональной политики регулирования и управления. Она должна быть направлена на сглаживание территориальных, социальных, экономических, экологических и других противоречий.
Одним из наиболее перспективных подходов к построению реальной дифференцированной региональной политики является ситуационный подход, позволяющий выделить на территории региона участки, имеющие на данный момент сходные комплексные характеристики — географические ситуации, или геоситуации.
Геоситуационный анализ — особый сложный и комплексный вид исследования [А. М.Трофимов, Е. И. Игонин, 2001]. Это многомерный анализ, учитывающий историческую ретроспективу, современное состояние взаимосвязи и взаимодействия множества факторов — природных, экономических, социальных, экологических, политических, национальных и т. п. Ни один из существующих методов не в состоянии формализованно описать структуру, логику и приемы этого анализа. Только мощное развитие вычислительной техники позволило вывести из небытия адекватный метод поддержки геоситуационной концепции — метод нейронных сетей (его активному развитию в свое время мешало отсутствие быстродействующей вычислительной техники с большими базами данных).
Основы теории нейронных сетей были заложены в 60-е годы XX в. Свое название получили из-за сходства принципов функционирования с устройством простейших форм восприятия у человека.
При начальной разработке нейронных сетей были использованы труды крупнейшего психолога XIX в. Н. Н. Ланге, который подробно описал процесс восприятия человеком явлений внешнего мира.
Нейронные сети были созданы таким образом, что имитировали человеческий процесс восприятия, удовлетворяя при этом двум основным условиям: 1) наличию строго упорядоченной системы признаков относительно порядка их восприятия и 2) возможности специфического усиления признаков любой ступени восприятия.
Основным препятствием к активному использованию нейросетей, как уже отмечалось, было недостаточное развитие электронно-вычислительных средств и несовершенные алгоритмы «обучения». Ситуация изменилась лишь в 80-е годы в связи с появлением принципов «обучения» нейросетей.
В общем случае нейронная сеть G (X, F) состоит из множества узлов (нейронов) (X), которые являются носителями сети, а также множества связей между ними (F).
Узел (нейрон) Xi, который является элементом множества нейронных узлов, имеет выход и множество входов, определяющих величину потенциала Ui, на выходе узла (нейрона) Xi. Связи соединяют выход одного узла (нейрона) со входом других нейронов и характеризуются весовыми коэффициентами Wij, имеющими смысл проводимости от i-го узла к j-му.
Если Wij >0, то связь называется возбуждающей, а если Wij <0 — тормозной [А.И.Казаков, 1979].
Главным отличием метода нейронных сетей от других статистических методов классификации является большое количество степеней свободы, позволяющее получать очень точные расчеты, а также способность к самообучению. Эта способность выражается в том, что все нейронные сети имеют свойство корректировать собственную структуру и процессы вычисления с учетом поступающих новых данных. Достоинством метода является его способность к построению удовлетворительных моделей по сильно искаженным и неполным данным.
В основе метода нейросетей лежит самоорганизующийся алгоритм, выполняющий проекцию в субпространство, покрытое разрозненной решеткой формальных нейронов. Алгоритм устанавливает соответствие между исходными данными и состоянием нейронной сети. Эта процедура обеспечивает нелинейное выравнивание и двухмерную версию вводного пространства [H.Ritter, 1988].

Самоорганизующийся алгоритм состоит из двух шагов, многочисленные итерации которых приводят к упорядочиванию входных данных:
1. Для входного вектора (У) отыскивается нейрон, чья активность максимальна.
2. Для каждого нейрона вводится понятие окрестности, введенное Кохоненом [Т.Kohonen, 1984]. Размер окрестности (количество входящих в нее нейронов) изменяется, уменьшаясь в процессе обучения. Данное свойство является наиболее существенным для данного алгоритма, отличая его от традиционных методов классификации. В окрестности нейрона, чья активность максимальна, весовые векторы (W,) двигаются в направлении вектора ввода (Y) согласно уравнению:

Формула (доступно при скачивании полной версии книги)

В приведенных уравнениях функция [Vi,l(t) ] контролирует размер окрестности нейронов, a a(t) устанавливает амплитуду весовых изменений. Обе эти функции уменьшаются во времени (t).
Многочисленные итерации этих двух шагов создают организованную сеть, где веса упорядочены и входное пространство представлено количественно.
Когда алгоритм сойдется, каждый объект классификации (ОТЕ), представленный вектором признаков Y(k), адресуется к нейросети и нейрон, чья активность максимальна, сопоставляется данному объекту (ОТЕ).
В качестве обучающего набора метод нейронных сетей использует те признаки объекта, по которым необходимо провести классификацию. Число признаков (переменных) теоретически может быть велико, но при решении практических задач обычно не превышает 15-20 переменных.

Процесс классификации объектов на основе метода нейронных сетей включает ряд этапов.
Первый этап — этап предпроцесса — состоит в нормировании переменных «обучающего» набора. При операции нормирования используются стандартные показатели и их статистические характеристики. Данная процедура означает, что для каждой нормированной переменной показатель средней арифметической равен нулю, а показатель вариации близок к единице. Этап предпроцесса важен для выравнивания значимости (нагрузки) переменных.
На втором этапе осуществляется нормирование базы данных, состоящей из признаков изучаемых объектов. В результате получают нормированную матрицу показателей.
Третий этап заключается в непосредственном применении метода нейронных сетей к нормированной матрице. Результатом этапа служит разбиение объектов на классы, количество которых обычно задается заранее.
Последним этапом исследования является содержательная интерпретация полученных результатов. Это наиболее ответственный этап [F.Blayo, 1997].

В силу особенностей метода и его разрешающей способности нейронные сети широко стали использоваться в географических Исследованиях по функциональной классификации городов IM.Buscema, 1996], для выделения экономических ситуаций глобального масштаба [F.Blayo, 1997], для средств геоситуационного моделирования [А.М.Трофимов, О.В.Пьянова, 1998], для территориального выделения социально-экономических ситуаций [О.В.Пьянова, 1998] и для решения многих других многомерных задач большой сложности. Вопросы интеллектуализации ГИС на основе нейронных сетей будут рассмотрены в 4.2.

< Размытые (нечеткие) множества

Содержание книги "Тикунов В. С. Геоинформатика."

Теория хаоса >

Скачать полную версию учебника (с рисунками, формулами, картами, схемами и таблицами) одним файлом в формате MS Office Word Скачать книгу

При копировании информации обязательны прямые ссылки на сайт, а также на авторов книг.
Все книги являются собственностью их авторов и служат исключительно для ознакомления.
© Edu-Knigi.ru, 2011. © Дизайн и программирование от студии "ПСГ".