Prezentat de : Turcanu VictorGr.IMTC -062

1.Introducere. 2.Ce semnifica o retea neuronala. 3.Sistemul nervos biologic. 4. Neuronul. 5.Structura unei retele neuronale.. 6.Plasticitatea. 7. Reţelele neuronale artificiale. 8..Definitie . 9. Algoritm de invatare 10.Aplicatii ale calcului neuronal. 11.Avantaje si dezavantaje. 12. Concluzie.

• In proiectul de fata imi propun sa prezint ideile de baza ale retelei neuronale alaturi de principale modele conexioniste ale inteligentei artificiale. Dar, oricât de perfectionate ar fi calculatoarele, oricât de rapide si de performante ar deveni acestea, ele nu au cãpãtat anumite calitãti ale creierului uman, care îl fac unic, care îl transformã într-o capodoperã a ingineriei genetice a Naturii, cum ar fi creativitatea, imaginatia, etc., aptitudini pe care calculatorul nu le poate învãta. În ciuda acestui fapt, o nouã descoperire a informaticii pregãteste calea spre progresul calculatoarelor în acest domeniu – retelele neuronale artificiale, care dupã afirmatiile multor specialisti, vor revolutiona sistemele informatice.

Preocuparea pentru reţelele neuronale a fost motivată de recunoaşterea faptului că modul in care

calculează creierul fiinţelor vii este complet diferit de cel al calculatoarelor numerice

convenţionale ..Reţelele neuronale nu dispun de unităţi de procesare puternice,dimpotrivă, acestea sunt caracterizate printr-o simplitate extremă, insă interacţiunile lor pe ansamblu produc rezultate complexe datorită numărului mare de

conexiuni

Pânã atunci va trebui sa creiem modele de circuite neurale care aproximeazã fiziologia

creierului uman, dat fiind faptul cã nu putem mãsura gândurile ce se manifestã la nivelul sinapselor sub forma de impulsuri nervoase.

• În literatura de specialitate , reţelele neuronale caracterizează ansambluri de elemente de procesare simple, puternic interconectate şi

operând în paralel, care urmăresc să interacţioneze cu mediul înconjurător într-un mod asemănător creierelor biologice şi care prezintă capacitatea de a

învăţa.

Într-o retea neuralã, fiecare procesor este conectat cu mai multe procesoare “vecine”, existând

astfel mai multe interconexiuni decât procesoare. Puterea unei retele neurale, ca si în cazul

creierului, stã în numãrul imens de conexiuni neurale.

Numele lor provine de le retelele neuronale ce alcãtuiesc creierul uman.

O retea neuralã, numitã si retea neuralã artificialã( ANN), constituie o arhitecturã informaticã cu

totul unicã, a cãrui potential abia a început sa fie exploatat.

Pentru a inţelege mai bine această abordare, trebuie precizat modul de funcţionare al sistemului nervos

Constituienţii structurali ai creierului sunt neuronii, conectaţi prin sinapse

Fiecare neuron poate avea mii de extremitãti cu care acesta se conecteazã cu alti neuroni.

Aceste extremitãti sunt numite dendrite sau axoni: prin dendrite sunt transmise impulsuri prin corpul celular, iar prin axon trec impulsurile de la corpul celular la alt neuron. În anumite aspecte, neuronii se comportã precum calculatoarele, adicã primesc, proceseazã impulsurile nervoase si trimit rezultatele sub forma de noi impulsuri la ceilalti neuroni.

Impulsurile constau în substante chimice care interactioneazã cu suprafata externa a membranei, cauzând reactii chimice în interiorul neuronului postsinaptic. Numele acestui schimb constant de “mesaje” chimice între neuroni este neurotransmisia.

Neuronul constă in principal din trei componente: corpul celulei (soma), dendrite şi axon

Dendritele (numite astfel datorită asemănării cu un copac, „dendron” in greacă) sunt „intrările” neuronului, fibre scurte ramificate, de caţiva milimetri, care primesc impulsuri

Axonul („axōn”, axă), „ieşirea”, este o fibră lungă, de caţiva centimetri, putand ajunge insă la 1-1,5 metri

Fiecare neuron are un singur axon şi mai multe (10- 20) de dendrite

Deşi se aseamănă în funcţionare cu creierul uman, reţelele neuronale au o structură diferită de cea a creierului. O reţea neuronală este mult mai simplă decât

corespondentul uman, dar la fel ca şi creierul uman, este compusă din unităţi puternice de calcul, mult inferioare însă corespondentului uman, neuronul.

Un neuron:-multe intrări / o unitate de ieşire

Ambele sisteme, biologic si artificial, sunt bazate pe procesarea paralela a informatiilor prin procesoare puternic interconectate, continând capacitãti precum paralelism masiv, detectori, modularea conexiunilor, etc

Warren McCulloch şi Walter Pitts (1943) au propus un astfel de model, care

rămane pană in prezent fundamentul structural pentru majoritatea reţelelor

neuronale

Cea mai importantă trăsătură a reţelei neuronale biologice este plasticitatea…

Ca răspuns la stimulările primite, la nivelul

conexiunilor se produc schimbări pe termen lung, astfel incat conexiunile care ajută la obţinerea de

rezultate pozitive sunt intărite, iar cele care

determină rezultate nedorite sunt slăbite

De asemenea, neuronii pot forma in timp noi conexiuni cu alţi neuroni

Aceste mecanisme stau la baza capacităţii de

adaptare a creierului la stimulii primiţi, pe care o numim in mod convenţional invăţare

In mod analog funcţionează şi o reţeaneuronală artificială. In cea mai general

formă a sa, o reţea neuronală este o maşinăproiectată pentru a modela felul in care

creierul rezolvă o anumită problemă sau

execută o funcţie cu un anumit scop; reţeaua

este de obicei implementată folosindu-se

componente electronice sau simulată

printr‑un program.

Simon Haykin consideră că o reţea neuronală este

un procesor masiv paralel, distribuit, care are otendinţă naturală de a inmagazina cunoştinţe

experimentale şi de a le face disponibile pentruutilizare

Ea se aseamănă cu creierul in două privinţe:

-Cunoştinţele sunt căpătate de reţea printr-un proces de invăţare

-Cunoştinţele sunt depozitate nu in unităţile de procesare

(neuroni), ci in conexiunile interneuronale, cunoscute drept ponderi sinaptice

Procedura folosită pentru a executa procesul de invăţare se numeşte algoritm de invăţare, funcţia căruia este de a

modifica ponderile sinaptice ale reţelei intr-un stil sistematic pentru a atinge obiectivul dorit de proiectare

Printre numeroasele proprietaţi interesante ale unei reţele neuronale, cea mai semnificativă este abilitatea acesteia de a invăţa prin intermediul mediului inconjurător, şi

prin aceasta să-şi imbunătăţească performanţele; creşterea performanţelor are loc in timp şi conform cu unele

reguli prestabilite O reţea neuronală işi invaţă mediul printr-un proces iterativ

de ajustări aplicate conexiunilor şi pragurilor sale sinaptice

In mod ideal, reţeaua devine mai „inteligentă” după fiecare iteraţie a procesului de invăţare

Capacitatea de a invăţa: Reţelele neuronale artificiale nu necesită programe puternice, ci sunt mai degrabă rezultatul unor ntrenamente asupra unui set de date. Reţelele neuronale artificiale au un algoritm de invăţare, după care ponderile conexiunilor sunt ajustate pe baza unor modele prezentate.

Capacitatea de generalizare: Dacă au fost instruite corespunzător, reţelele sunt capabile să dea răspunsuri corecte şi pentru intrări diferite faţă de cele cu care au fost antrenate, atata timp cat aceste intrări nu sunt foarte diferite

Capacitatea de sinteză: Reţelele neuronale artificiale pot lua decizii sau trage concluzii cand sunt confruntate cu informaţii afectate de zgomot, irelevante sau parţiale

Datorită acestor trăsături ale prelucrării informaţiei, reţelele neuronale pot rezolva probleme complexe care

sunt dificil de abordat prin metode clasice Cu toate acestea, cercetătorii recunosc că mai au un drum lung de parcurs pană vor ajunge să construiască un calculator

care să imite creierul omenesc

„Inteligenţa” la care au ajuns in prezent cele mai sofisticate reţele neuronale este sub nivelul unui

copil de caţiva ani Cu toate acestea nu trebuie minimizată sau ignorată

importanţa reţelelor neuronale artificiale şi este posibil ca pe viitor, cu ajutorul lor să se ajungă la o

cunoaştere mai aprofundată a fenomenelor ce au loc in creierul uman

Clasificare si recunoastere Clasificarea supervizata si nesupervizata a datelor Recunoasterea caracterelor / imaginilor / vorbirii

Aproximare si estimare Predictie in serii temporale

Modelare si control Modelarea unor sisteme neliniare

Optimizare Proiectarea circuitelor electronice Probleme de rutare

Prelucrarea si analiza semnalelor Filtrare adaptiva

Avantaje- De exemplu, acestea pot invăţa din

experienţă, generaliza din anumite exemple altele noi şi sintetiza caracteristicile esenţiale din intrări ce conţin şi date irelevante

- Un mare avantaj al reţelelor neuronale este că pot să descrie o problemă şi să o rezolve in acelaşi timp, prin auto organizarea lor

- Sistemele conexioniste au un spectru larg de aplicabilitate: de la sisteme de recunoaştere de forme (caractere, semnături, etc.) sau de semnale sonore, pană la sisteme pentru controlul unor procese complexe, cum ar fi sistemele de auto reglare sau ‑ piloţii automaţi

Dezavantaje

-Principalul dezavantaj al folosirii modelelor neurale este utilizarea unor resurse de memorie foarte mari pentru procesarea unui numãr relativ mic de neuroni.

Astfel, o prioritate în realizarea retelelor neurale este utilizarea eficientã a puterii descriptive a neuronilor si eficienta descrierii întregii retele folosind matricele de greutate.

Drept concluzie in urma celor reletete amterior pot conchide urmatoarele idei caci: retelele neuronale sunt domeniul în care programatorii vor reusi, dacã

nu sã acceadã, cel putin sã se apropie de mecanismele cerebrale, sã descopere secretele formãrii gândurilor, ratiunii, constiintei si,( de ce nu?), sã poatã crea sisteme informatice care sã

dezvolte aceste calitãti. Perspectivele sunt oarecum îndepãrtate, dar nu sunt imposibile, în conditiile unui

progres acerb al tehnologiei si a sistemelor informatice care evolueazã în ritm exponential si

posibilitatea existentei unui calculator care sã simuleze activitatea creierului uman, posibilitate pe

care multi oameni de stiintã o considerã cât se poate de plauzibilã.

Aceste retele neurolane cu siguranta pot deveni o noua era a tehnologiilor si inovatiilor in cadrul

Universitatii Tehnice a Moldovei.Retele neurolane vor putea fi implementate in cadrul

univesitatii doar dupa o eventuala realizare a unei cercetari minutioase a posibilitatilor.

De asemenea am mai putut realiza caci, probabil, principalul responsabil pentru succesul modelelor conexioniste, este capacitatea reţelelor neuronale

de a învăţa din exemple.Pentru Universitatea Tehnica a Moldovei este o noua

treapta care necesita timp dar si diverse cercetari in domeniul implementarii lor in aceasta.

Viitorul retelelor neuronale poate fi vazut in cadrul universitatii doar cind acesta va beneficia din plin din studiile competitive de specialistii domeniului.