Основные принципы построения нейронных сетей для интеллектуального редактора сейсмотрасс NN_EDIT.
Построение списка «плохих» и «хороших» трасс с их атрибутами с целью обучения интеллектуального редактора на нейронных сетях осуществляется в режиме потрассного редактирования кнопкой NN.
Обучение распознавать плохие
трассы осуществляется через пункт меню Processing-> Neural Network Trace Editor
Training.
Теория нейронных сетей (Neural Networks Theory) является одним из разделов науки об исскуственном интеллекте. Среди всех подходов при создании исскуственного интеллекта методы теории нейронных сетей отличаются тем, что они основаны на моделировании структуры головного мозга. При помощи нейронных сетей становится реальным моделирование таких возможностей мозга, как обучаемость, ассоциативная память, способность к неосознанному управлению, помехоустойчивость и адаптивность.
Начиная с конца 80-х годов XX столетия теория нейронных сетей испытывает настоящий бум по количеству научных публикаций.
Механизм интеллектуального редактора - искусственной нейронной сети (ИНС) - подобен процессам, происходящим в нашем мозге при решении каких-либо проблем. Точно также как человек начинает применять знания, усиленные опытом их последнего использования, для решения новых задач или ситуаций, нейронная сеть использует предыдущие решения для построения системы "нейронов" или "узлов", которые выполняют новые решения, классификации или прогнозы.
ИНС представляет собой некоторое количество простых обрабатывающих элементов, имеющих большое количество связей друг с другом. Эти обрабатывающие элементы являются обычными простыми блоками, которые умеют делать чуть больше, чем взвешенное суммирование всех поступающих к ним сигналов от всех соединений и производят соответствующий отклик. Эти блоки тесно соединены между собой и каждое соединение имеет свой вес. Каждый из этих обрабатывающих элементов, именуемый узлом, принимает некоторые входные сигналы и на основании их генерирует единственный выходной сигнал. Этот выходной сигнал, в свою очередь, отправляется как входной сигнал на другие элементы через сеть соединений.
Узлы нейронной сети обычно упорядочены по слоям, каждый из которых имеет один или несколько узлов. Выход одного слоя обеспечивает вход следующего слоя. Первый слой известен как входной слой. Узлы этого слоя просто пропускают входные сигналы к узлам следующего слоя. Последний слой обычно называется выходным слоем; выходы узлов этого слоя являются выходом всей сети. Слой (слои) между входным и выходным слоями называются скрытыми.
Нейронная сеть не просто выполняет набор заданных инструкций, а создает отклик, параллельный поданным на нее сигналам. Нейронная сеть обрабатывает информацию своим откликом динамического состояния на внешние сигналы. Результат этих расчетов не записывается в память. Скорее он состоит из общего состояния сети после достижения некоторого условия равновесия. Знания нейронной сети хранятся двумя способами: с помощью путей, которыми соединены узлы, и с помощью весов этих соединений. Другими словами, знания - это скорее функция сетевой архитектуры, чем содержание конкретных ячеек.
Сеть обучается решать задачи, корректируя веса соединений. В конечном счете, если задача может быть решена, веса адаптивно эволюционируют до стабильного состояния и сеть будет способна производить правильный выход в соответствии с набором входных сигналов. Эта способность получается как результат сетевой структуры, т.е. связей между узлами и топологии, а не в виде обычной компьютерной программы. Настоящая мощь нейронной сети проявляется, когда обученная сеть способна получать оптимальные результаты с данными, которых никогда ранее не "видела".
Процедура редакции сейсмотрасс – идеальный объект для нейронных сетей. Задача очень простая – отделить «плохие» трассы лт «хороших». Но эту задачу трудно формализовать, о чем свидетельствует не очень удачный опыт т.н. автоматической оценки качества сейсмограмм. Всякая редакция, проводимая человеком «вручную», будет субъективной и уникальной. Но нейронные сети способны подражать человеку в этом и применяют его опыт, показанный на нескольких сейсмограммах, на всей площади сейсморазведочных работ. Иными словами, «интеллектуальный редактор» будет просто подражать манере конкретного человека-учителя. Тем самым человек избавляется от огромной, тяжелой, слабоинтеллектуальной, ответственной и неблагодарной ручной работы.
Литература
Документация ProMAX. Программа Neural Network Trace Editor.
С.В. Аксенов, В.Б. Новосельцев. Организация и использование нейронных сетей (методы и технологии). Издательство научно-технической литературы. Томск, 2006, 128 с.
И. В. Заенцев. Нейронные сети: основные модели, Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры к. электроники физического ф-та Воронежского Государственного университета. Воронеж, 1999, 75 с.
Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. — М.: Мир, 1992.
Мкртчян С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) — М.: Энергия, 1971. — 232 с..
Гилл Ф., Мюррей У., Райт М.
Практическая оптимизация. * М.: Мир, 1985. * 509 c.
Caudill, Maureen, 1989, Neural Networks Primer, Miller Freeman
Publication.
Fahlman, Scott and Christian Lebiere, 1990, The Cascade Correlation
Learning Architec¬ture: Advances in Neural Information Processing Systems 2,
pp524-532.
Rumelhart, D.E. and J.L McClelland (eds), 1986, Parallel Distributed
Processing: Explo¬ration in the Microstructure of Cognition, MIT Press.
Wasserman, Philip D., 1989, Neural Computing Theory and Practice, Van
Nostrand Rein¬hold.
Fast Artificial Neural Network Library (FANN). Steffen Nissen (lukesky@diku.dk), http://fann.sourceforge.net.