ПРИМЕНЕНИЕ ЭВОЛЮЦИОННОЙ ПАРАДИГМЫ К ПРОЕКТИРОВАНИЮ АРХИТЕКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ИСКАЖЁННОГО ТЕКСТА

В течение последних десятилетий искусственные нейронные сети хорошо себя зарекомендовали во многих областях искусственного интеллекта, таких, например, как прогнозирование, оптимизация, анализ данных, распознавание образов и принятие решений. Тем не менее, традиционные эвристические подходы к разработке топологии многослойных нейронных сетей основываются на рекомбинации уже существующих нейросетевых архитектур. Такой подход позволяет решать широкий спектр задач, но подразумевает соблюдение специфических условий для качественной работы алгоритмов.

Естественные аналоги подобных интеллектуальных систем в живой природе, однако, достаточно универсальны, чтобы адаптироваться практически к любой среде обитания.

Несмотря на их чрезвычайную сложность и ограниченные возможности к исследованию их структур, известно, что эти конструкции были сформированы в результате эволюционного процесса. И если на сегодняшний день невозможно определить точную архитектуру связей в биологических нейросистемах, то, по крайней мере, можно попытаться воспроизвести сам процесс их формирования с целью получения более универсального алгоритма, чем те, что разработаны к настоящему моменту.

В рассматриваемой работе окончательная структура ядра системы классификации образуется в результате эволюционного процесса, с учетом известных сегодня знаний об особенностях развития и строения нервной системы позвоночных.

Использование описываемого подхода позволяет абстрагироваться от ограничений существующих нейросетевых алгоритмов, обусловленных сферой применения конкретных типов их структур.

1. Хижняков, Ю. Н. Алгоритмы нечеткого, нейронного и нейро-нечеткого управления в системах реального времени / Ю. Н. Хижняков. – Пермь: ПНИПУ, 2013. – 160 с.

2. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский – М.: Горячая линия – Телеком, 2013. – 384 с.

3. База изображений The Street View House Numbers (SVHN) Dataset – [Электронный ресурс]. – Режим доступа: http://ufldl.stanford.edu/housenumbers. – Дата доступа: 01.10.2017.

4. Плотников, А. Д. Математическое программирование / А. Д. Плотников – Минск: Новое знание, 2007. – 171 с.

5. Головко, В. А. Нейронные сети: обучение, организация и применение. Кн. 4 / В. А. Головко, Общая ред. А. И. Галушкин – М.: ИПРЖР, 2001. – 256 с.

6. Монтгомери, Д. К. Планирование эксперимента и анализ данных / Д. К. Монтгомери, Л.: Судостроение, 1980. – 384 с.

7. Хайкин, С. Нейронные сети. Полный курс / С. Хайкин. – М., СПб., Киев: Вильямс, 2006. – 1104 с.