Нейросистемы и нейрокомпютеринг

Введение
Необходимость изменения последовательной Фон-неймановской архитектуры классических вычислений обусловлено все возрастающими требованиями к вычислительным ресурсам со стороны новых сложных задач, возникающих в связи с развитием перспективных технологий.
Нейросетевые технологии являются одним из наиболее интенсивно развиваемых направлений определения и реализации параллельных вычислений. Данные технологии позволяют не только более эффективно решать сложные задачи, но также позволяют реализовывать плохо формализуемые или неформализованные задачи, решение которых ранее не представлялось возможным. Аппаратная реализация нейросетевых алгоритмов изменяет логическую основу вычислительной математики и выдвигает качественно новые требования к производительности.
Практическая реализация аппаратной поддержки нейросетевых вычислений определена требованиями конкретной задачи и возможна только в том случае, когда все другие подходы не могут быть использованы. Аппаратная реализация требуется тогда, когда параллельные нейросетевые алгоритмы не могут быть достаточно эффективно реализованы с помощью традиционных вычислительных средств, включая кластерные конфигурации.
Актуальность данной курсовой работы обусловлена тем, что использованию нейросетевых подходов к решению отдельных задач и проблемам их аппаратной реализации уделяется большое внимание, т.к. значительные вычислительные мощности до недавнего времени были недоступны.
Рост производительности, наряду с новыми решениями реализации вычислений, увеличили внимание к данной проблеме, привлекая к ее решению все новые технические средства от использования аналоговых операционных усилителей до применения FPGA большой интеграции как основы для реализации фрагментов нейронных сетей.
Целью данной работы является исследование применения нейронных систем в различных направлениях науки, техники и решении прикладных задач.
Для достижения поставленной цели необходимо решить следующие задачи:
- рассмотреть понятие нейронных сетей и области их применения;
- рассмотреть особенности классификации нейронных сетей:
- определить место нейронных сетей в области Data Mining и Machine Learning

1.Понятие нейронных сетей и области их применения
Нейронная сеть – программное воплощение математической модели, построенной по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток. Понятие нейронных сетей возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов данные модели начинают использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
Искусственная нейронная сеть представляет собой систему соединённых и взаимодействующих между собой простых процессоров , называемых также искусственными нейронами. Данные процессоры в сравнении с процессорами, используемыми в персональных компьютерах, отличаются достаточной простотой - каждый процессор нейронной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Однако когда данные процессоры соединены в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры приобретают способность выполнять довольно сложные задачи.
Существует несколько подходов к определению понятия нейронные сети: с точки зрения машинного обучения, математики, кибернетики, вычислительной техники и программирования. Так, например, с позиции машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов; с точки зрения математики – это многопараметрическая задача нелинейной оптимизации;
Нейронные сети не программируются в привычном смысле этого слова, они обучаются, что составляет важное преимущество нейронных сетей перед традиционными алгоритмами. Технически обучение состоит в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть может выявлять сложные зависимости между входными данными и выходными, выполняя при этом обобщение. По сути это означает, что в случае успешного обучения нейронная сеть сможет вернуть верный результат на основании данных, ранее отсутствующих в обучающей выборке. Взаимодействуя друг с другом, нейроны решают сложные задачи, сред которых можно выделить :
- определение класса объекта;
- выявление зависимостей и обобщение данных;
- разделение полученных данных на группы на основе заданных признаков;
- прогнозирование и т. д.
Одна из особенностей нейронных сетей состоит в том, что они способны воспроизводить психические процессы, такие как: речь, распознавание образов, творческий выбор, мышление. Области, которые еще недавно рассматривались как возможности исключительно человеческого разума, на сегодняшний день, становятся доступными искусственному интеллекту.
Термин «нейронная сеть» появился еще в 1943 году, однако популярность данная технология обрела только в последние годы: посредством магазинов приложений начинает распространяться программное обеспечение, созданное при помощи нейронных сетей, что продемонстрировало обширные возможности искусственного интеллекта.
На сегодняшний день сфера применения нейронных сетей носит массовый характер, что прежде всего выражается в использовании большого количества программного обеспечения, особенно для смартфонов - программами для работы с изображениями на основе искусственных нейронных сетей. В качестве примера можно привести такие приложения для обработки изображений, как: замены лиц на фотографиях и видео. К примеру, приложение «FaceApp» может кардинально изменить внешность: изменить волосы, скорректировать черты лица, добавить эмоции и мимику.