XXII Международный конкурс научно-исследовательских и творческих работ учащихся

Старт в науке

НЕЙРОННЫЕ СЕТИ В ПОВСЕДНЕВНОЙ РЕАЛЬНОСТИ

• Авторы
• Руководители
• Файлы работы
• Наградные документы

Судина Н.А. 1

---

1ГБОУ сош «Вертикаль» школа 1748

Гафарова Д.Ш. 1

---

1школа 1748

Работа в формате PDF

103.9 KB

Автор работы награжден дипломом победителя I степени

Диплом школьникаСвидетельство руководителя

Введение

В настоящее время, по оценкам специалистов, ожидается значительный технологический рост в области проектирования нейронных сетей и нейрокомпьютеров. За последние годы уже открыто немало новых возможностей нейронных сетей, а работы в данной области становятся важным вкладом в промышленность, науку и технологии, имеют большое экономическое значение.

Нейронные сети сейчас повсюду: начиная с поисковых запросов, заканчивая беспилотным управлением транспортных средств. Несмотря на популярность данных технологий и частое их применение в обычной жизни, многие люди даже не понимают, что сталкиваются с нейронными сетями в решении своих практических задач.

Актуальность: Изучение нейронных сетей – это наука будущего, которая сейчас активно набирает обороты во всех сферах, например, экономика, авиация, автоматизация в производстве, роботехника, медицина, телекоммуникации, IT, социология, политология и т. д. Сейчас абсолютно каждый человек сталкивается с работой нейронных сетей в обычной своей жизни. Наука стремится сделать жизнь человека лучше и качественнее, соответственно изучение нейронных сетей в работе профессий будущего становится очень актуальным.

Цель проекта: создать видео-лекцию по современным технологиям: нейронные сети и заинтересовать учащихся этим научным направлением.

Задачи:

1. Рассмотреть теорию и историю по теме нейронных сетей;

2. Описать области применения нейронных сетей;

3. Провести опрос среди учащихся школы по информативности
   поднятой темы;

4. Создать информационную видео-лекцию по теме нейронных сетей.

Методы исследования: Теоретический метаанализ литературы (книг, монографий, статей, публикаций) по теме, синтез и изложение информации.

Практический метод: Проведение опроса, создание видеоролика.

Объект исследования: Нейронные сети

Предмет исследования: Понятие нейронных сетей

Гипотеза: Мы предполагаем, что наш видеоролик расширит знания о нейронных сетях среди учащихся школы и заинтересует будущих студентов в изучении данной технологии.

Глава 1. Теоретическая справка о нейронных сетях

1.1 История нейронных сетей

Термин "нейронная сеть" появился в середине XX века. Первые работы, в которых были получены основные результаты в данном направлении, были проделаны Мак-Каллоком и Питтсом. В 1943 году ими была разработана компьютерная модель нейронной сети на основе математических алгоритмов и теории деятельности головного мозга. Они выдвинули предположение, что нейроны можно упрощённо рассматривать как устройства, оперирующие двоичными числами, и назвали эту модель "пороговой логикой". Подобно своему биологическому прототипу нейроны Мак-Каллока-Питтса были способны обучаться путём подстройки параметров, описывающих синаптическую проводимость. Мак-Каллок и Питтс предположили, что такая сеть в состоянии также обучаться, распознавать образы, обобщать, т. е. обладает всеми чертами интеллекта.

Данная модель заложила основы двух различных подходов исследований нейронных сетей. Один подход был ориентирован, собственно, на изучение биологических процессов в головном мозге, другой - на применение нейронных сетей как метода искусственного интеллекта для решения различных прикладных задач.

В 1949 году канадский физиолог и психолог Хебб высказал идеи о характере соединения нейронов мозга и их взаимодействии. Он первым предположил, что обучение заключается в первую очередь в изменениях силы синаптических связей. Теория Хебба считается типичным случаем самообучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. В более поздних вариантах теория Хебба легла в основу описания явления долговременной потенциации.

В 1954 году в Массачусетском технологическом институте с использованием компьютеров Фарли и Кларк разработали имитацию сети Хебба. Также исследования нейронных сетей с помощью компьютерного моделирования были проведены Рочестером, Холландом, Хебитом и Дудой в 1956 году.

В 1957 году Розенблаттом были разработаны математическая и компьютерная модели восприятия информации мозгом на основе двухслойной обучающейся нейронной сети. При обучении данная сеть использовала арифметические действия сложения и вычитания Розенблатт описал также схему не только основного перцептрона, но и схему логического сложения. В 1958 году им была предложена модель электронного устройства, которое должно было имитировать процессы человеческого мышления, а два года спустя была продемонстрирована первая действующая машина, которая могла научиться распознавать некоторые из букв, написанных на карточках, которые подносили к его "глазам", напоминающим кинокамеры.

Интерес к исследованию нейронных сетей угас после публикации работы по машинному обучению Минского и Пейперта в 1969 году. Ими были обнаружены основные вычислительные проблемы, возникающие при компьютерной реализации искусственных нейронных сетей. Первая проблема состояла в том, что однослойные нейронные сети не могли совершать "сложение по модулю 2", то есть реализовать функцию "Исключающее ИЛИ". Второй важной проблемой было то, что компьютеры не обладали достаточной вычислительной мощностью, чтобы эффективно обрабатывать огромный объём вычислений, необходимый для больших нейронных сетей.

В 1975 году Фукусимой был разработан когнитрон, который стал одной из первых многослойных нейронных сетей. Фактическая структура сети и методы, используемые в когнитроне для настройки относительных весов связей, варьировались от одной стратегии к другой. Каждая из стратегий имела свои преимущества и недостатки. Сети могли распространять информацию только в одном направлении или перебрасывать информацию из одного конца в другой, пока не активировались все узлы и сеть не приходила в конечное состояние. Достичь двусторонней передачи информации между нейронами удалось лишь в сети Хопфилда (1982), и специализация этих узлов для конкретных целей была введена в первых гибридных сетях.

Несмотря на большой энтузиазм, вызванный в научном сообществе разработкой метода обратного распространения ошибки, это также породило многочисленные споры о том, может ли такое обучение быть на самом деле реализовано в головном мозге. Тем не менее, в 2006 году было предложено несколько неконтролируемых процедур обучения нейронных сетей с одним или несколькими слоями с использованием так называемых алгоритмов глубокого обучения. Эти алгоритмы могут быть использованы для изучения промежуточных представлений, как с выходным сигналом, так и без него, чтобы понять основные особенности распределения сенсорных сигналов, поступающих на каждый слой нейронной сети.

Как и во многих других случаях, задачи высокой сложности требуют применения не одного, а нескольких методов решения или их синтеза. Не исключение и искусственные нейронные сети. С самого начала нынешнего столетия в работах различных исследователей активно описываются нейро-нечёткие сети, ячеечно-нейросетевые модели. Также нейронные сети используются, например, для настройки параметров нечётких систем управления. В общем, нет никаких сомнений и в дальнейшей интеграции методов искусственного интеллекта между собой и с другими методами решения задач.

1.2 Общая теория по теме нейронные сети

Искусственная нейронная сеть (ИНС) — математическая модель (а также ее программное или аппаратное воплощение), построенная по принципу организации и функционирования биологических нейронных сетей — нервных клеток живого организма. Они могут использоваться для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг.

Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.

Для разных задач применяются различные виды и типы нейронных сетей, среди которых можно выделить:

• Свёрточные нейронные сети;

• Рекуррентные нейронные сети;

• Нейронная сеть Хопфилда.

Свёрточные сети (CNN) - это нейронная сеть, которая имеет один или несколько сверточных слоев и используется главным образом для обработки изображений, классификации, сегментации, а также для других автокоррелированных данных. Они являются одними из самых популярных типов искусственных нейронных сетей. Так они доказали свою эффективность в распознавании визуальных образов (видео и изображения), рекомендательных системах и обработке языка.

Рекуррентными (RNN) называют такие нейронные сети, соединения между нейронами которых образуют ориентировочный цикл. Идея RNN заключается в последовательном использовании информации. Они выполняют одну и ту же задачу для каждого элемента последовательности, причем выход зависит от предыдущих вычислений. Эта сеть обычно используется для распознавания речи, распознавания голоса, прогнозирования временных рядов и обработки естественного языка.

Нейронной сетью Хопфилда называется полносвязная нейронная сеть с симметричной матрицей связей. В процессе работы динамика таких сетей сходится к одному из положений равновесия. Такая сеть может быть использована как автоассоциативная память, как фильтр, а также для решения некоторых задач оптимизации.

Таким образом, мы смогли подробнее рассмотреть существующие в наше время виды нейронных сетей, а также их применения в решении практических задач.

1.3 Сферы применения нейронных сетей

Потенциальными областями применения искусственных нейронных сетей являются те, где человеческий интеллект малоэффективен, а традиционные вычисления трудоёмки или физически неадекватны (т.е. не отражают или плохо отражают реальные физические процессы и объекты).

Рассмотрим отдельные области, где решение такого рода задач имеет практическое значение уже сейчас.

Экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьё, спроса, объемов продаж,..), автоматический трейдинг (торговля на валютной, фондовой или товарной бирже), оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.

Медицина и здравоохранение: постановка диагноза больному (диагностика заболеваний), обработка медицинских изображений, очистка показаний приборов от шумов, мониторинг состояния пациента, прогнозирование результатов применения разных методов лечения, анализ эффективности проведённого лечения.

Авионика: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты.

Связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.

Интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация и блокировка спама, автоматическая рубрикация сообщений из новостевых лент, адресные реклама и маркетинг для электронной торговли, распознавание captcha.

Автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций.

Робототехника: распознавание сцены, объектов и препятствий перед роботом, прокладка маршрута движения, управление манипуляторами, поддержание равновесия.

Политологические и социологические технологии: предсказание результатов выборов, анализ опросов, предсказание динамики рейтингов, выявление значимых факторов, кластеризация электората, исследование и визуализация социальной динамики населения.

Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов; распознавание речевых команд, речевой ввод текста в компьютер.

Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.

Компьютерные и настольные игры: создание нейроигроков в шашки и шахматы (подтверждённые игрой с людьми рейтинги — на уровне мастеров и международных мастеров), выигрыш в Го у чемпионов Европы и мира, в среднем лучшее, чем у человека, прохождение почти полусотни старых классических игр с Атари.

Безопасность, охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи или лицу; распознавание автомобильных номеров, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок, анализ данных с видеодатчиков и разнообразных сенсоров, анализ аэрокосмических снимков.

Нейронные сети умеют практически все, но их работа пока напоминает черный ящик. Дело в том, что при работе с нейронными сетями самым сложным и трудоемким процессом является обучение ИНС решать ту или иную задачу. Необходимо учитывать каждую деталь, каждую мелочь, поскольку даже незначительная ошибка или отсутствие минимальной части данных приведет к неправильной работе всей нейронной сети в целом.

Глава 2. Работа над видео-лекцией

2.1 Опрос

Мы решили узнать у учащихся 9-11 классов насколько они осведомлены в вопросах нейронных сетей. В анкетировании приняли участие 30 человек. Вопросы анкеты рассмотрены ниже.

1) Вы когда-нибудь интересовались возможностями и способами реализации нейронных сетей?

• 65% - Нет, не вызывало интерес

• 10% - Да, интересовали как возможности, так и способы реализации

• 15% - Интересовали только возможности

• 10% - Интересовали только способы реализации

Большая половина респондентов ответила “не вызывало интереса” нейронных сетей. Скорее всего, это связано с тем, что они не знают, что это и не имеют понятия как они работают, хотя мы уверены, что нейронные сети присутствуют в их жизни.

2) Насколько часто вы используете результаты работы нейронных сетей в повседневной жизни?

• 5% - Несколько раз в день

• 55% - Несколько раз в неделю

• 40% - Несколько раз в год

На данной диаграмме можно заметить, что большинство опрошенных используют результаты работы нейронных сетей несколько раз в неделю.

3) Считаете ли Вы, что нейронные сети вносят ощутимый вклад в улучшение качества вашей жизни

• 25% - Да

• 15% - Скорее да

• 30% - Скорее нет

• 30% - Нет

Большая часть опрошенных считают, что нейронные сети не вносят никакого ощутимого вклада в улучшение качества жизни.

4) Является ли положительной тенденция расширения области применения нейронных сетей?

• 55% - Да, но следует очень внимательно выбирать сферы и конкретное применение

• 35% - Да, использование нейронных сетей целесообразно практически во всех сферах деятельности

• 10% - Нет, сложившаяся тенденция может принести множество негативных последствий

Всё же большая часть опрошенных считает, что сложившаяся тенденция может принести пользу в жизни человека.

5) Насколько перспективным направлением является развитие нейронных сетей?

• 45% - Перспективно в краткосрочном и долгосрочном периоде

• 15% - Перспективно только в долгосрочном периоде

• 35% - Перспективно только в краткосрочном периоде

• 5% - Не перспективное

Можно сделать вывод, что большинство респондентов считают перспективным направление развития нейронных сетей.

Таким образом, можно сказать, что будущие студенты считают это направление перспективным, но, к сожалению, они не занимались изучением этой областью. И мы решили создать видеоролик, который даст понять, что такое нейронные сети и, возможно, сможет определить область будущего обучения.

2.2 Создание видеоролика

Продуктом нашего проекта будет видеоролик, который преимущественно ориентирован на учащихся 9-11 классов. Видеоролик может нести как общеобразовательную справку о данных технологиях, так и профориентационный характер. Цель продукта: рассказать как можно понятнее про основы нейросетей, чтобы у людей возникло понимание принципа работы столь популярной в наше время технологии.

Для создания видеоролика мы использовали программу для видеомонтажа Sony Vegas Pro 13. Для начала мы написали текст для видеоролика, опираясь на наш проект. Далее мы отобрали бесплатные стоковые видео без авторских прав для заднего фона (источники указаны в конце видео). Следующий шаг – обработка голоса. Голос был обработан в программе FL Studio 20, с помощью методов удаления шумов, эквализации, компрессии, сатурации и добавления реверберации. Итак, совмещаем видеоряд с аудиозаписью нашего текста, наш видеоролик готов. Мы попытались уместить всю самую важную информацию в минимальное количество времени, опираясь на психологию человека. Ролик получился интересным, любой человек поймет устройство нейросетей после просмотра. Мы считаем, что успешно справились с поставленной задачей, и надеемся, что данный видеопродукт будет нести пользу не только нынешнему поколению, но и последующему.

Добавить сюда же!!! Показ видео учащимся и короткий опрос по видео и небольшая диаграмма по результатам как подтверждение гипотезы (1-2 вопроса, типа стала ли ребятам более понятна технология нейронных сетей и все-таки, как часто они сталкиваются с нейронными сетями в обычной жизни)

Заключение

В ходе работы над проектом мы смогли подробно разобраться в нейронных сетях, а также была достигнута цель проекта, которая заключалась в создании видео-лекции, благодаря которой учащиеся старших классов смогут понять всю важность поднятой темы.

Во время работы были решены все поставленные нами задачи:

1. Были рассмотрены подробно теория и история по теме нейронных сетей;

2. Были описаны области применения нейронных сетей в разных сферах человеческой деятельности;

3. Был проведен опрос среди учащихся школы по знанию поднятой темы;

4. Была создана информационная видео-лекция по теме нейронных сетей.

Кроме этого, гипотеза, заключающая в создании нами видео-лекции, которая сможет расширить знания учащихся и других категорий граждан в области современных технологий в различных сферах человеческой жизнедеятельности: нейронные сети, соответствует теме работы и может считаться подтвержденной.

Вывод: Нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. Эта технология тесно вошла в нашу повседневную жизнь и в ближайшем будущем будет только развиваться.

Литература

1.

Пример оформления литературных источнков, источники видео можете добавить сюда же, как Электронные ресурсы!!!!

1. Образовака. Баллистическое движение [Электронный ресурс]. Режим доступа: https://obrazovaka.ru/fizika/ballisticheskoe-dvizhenie-formuly.html

2. Стрелковый портал Украины. Юрьев А.А. "Пулевая спортивная стрельба" [Электронный ресурс]. Режим доступа: http://www.shooting-ua.com/books/book_111.2.htm

3. Goaravetisyan. Движения тела брошенного под углом [Электронный ресурс]. Режим доступа: https://clck.ru/dYmmj

4. Основные кинематические параметры Уварова [Электронный ресурс]. Режим доступа: http://goo-gl.me/nfe6k

5. Сollection.edu. Баллистика [Электронный ресурс]. Режим доступа: http://school-collection.edu.ru/catalog/res/63bd78e9-9f99-6354-7da0-6d48672390e7/view/

6. Касьянов, В. А. Физика. 10 кл. [Текст]: Учебн. для общеобразоват. учереждений. – 5-е изд., дораб. – М.: Дрофа, 2003.

7. Мякишев , Г. Я. Физика: Механика. 10 кл. Углублённый уровень [Текст]: убеник/ Г. Я. Мякишев, А. З. Синяков. – 7-е инзд., стереотип. – М.: Дрофа, 2019.