Компютърно моделиране чрез изкуствени невронни мрежи

1.4. Компютърно моделиране чрез изкуствени невронни мрежи

Различни направления и средства на изкуствения интелект се използват в изучаването и разработването на находищата на природни подземни богатства. Такива са:

• 
  роботика – в роботизирани добивни комплекси;
  
• 
  разпознаване на образи – за автоматично класифициране на аерогеоснимки, на добитата руда в обогатителните фабрики и др.;
  
• 
  автоматизирано интелигентно управление – на лентови транспортни системи, вентилация на подземни рудници и др.;
  
• 
  експертни системи – като съветващи системи при вземане на оперативни решения и при проектирането;
  
• 
  генетични алгоритми и невронни мрежи – при компютърното моделиране.
  

Като начало на изкуствените невронни мрежи или накратко само невронни мрежи се счита разработеният през 1943 г. опростен модел на невронната клетка като градивен елемент на изчислителна схема. Невронните мрежи като средство на изкуствения интелект се характеризират със следните основни свойства:

• 
  те са опростен модел на свързаните един с друг неврони в човешкия мозък.
  
• 
  извършват паралелна обработка на информацията, което им дава възможност с малко на брой стъпки да решават сложни задачи.
  
• 
  нуждаят се от първоначално обучение или самоорганизация.
  

• 
  С разпространение напред (feed forward). При тях данните се движат стриктно от входните невронни към изходните, т.е. няма обратно връзка.
  
• 
  Рекурентни мрежи. При тях съществуват обратни връзки. В този случай към данните идващи от входа се добавят данни идващи по обратната връзка и се получава нещо като памет на мрежата за предходните и състояния. Мрежата има устойчиви и неустойчиви състояния.
  

а) сигмоид	б) знакова	в) тангенс хиперболичен	г) псевдо-линейна

• 
  С учител. Формира се обучаваща извадка, състояща се от определен брой обучаващи примери. Всеки пример се състои от данни за входовете на мрежата и целеви стойности за изходите на мрежата. С помощта на тази извадка се извършва обучението.
  
• 
  Без учител. В този случай няма данни за целеви изход на мрежата, а се използват само входни извадки. Обучението се свежда до това, че при достатъчно близки според някаква мярка входни извадки да се получат еднакви или близки изходи.
  

През последните 20-30 години са разработени многобройни видове невронни мрежи, които трудно могат да бъдат изброени и класифицирани в рамките само на една точка. Поради това тук са разгледани накратко само тези намерили приложения или споменати в настоящия материал.

В наши дни невронните мрежи намират широко разпространение в различни области. Могат да се обособят четири групи приложения:

• 
  Моделиране. Осъществява се чрез извършван от невронни мрежи апроксимационен или регресионен анализ на (в общия случай) многомерни данни. Така мрежите стават средство на едно ново направление наречено дълбочинен анализ на данни (data mining).
  
• 
  Прогнозиране. На базата на регресионен анализ или анализ чрез временни редове извършен чрез невронни мрежи се осъществяват предсказване на показатели в минното дело и геологията (Точка 3.2).
  
• 
  Класифициране. Невронни мрежи се използват за класифициране на данни и на обекти от реалния свят в някои случаи в реално време. Широко се прилагат невронни мрежи при разпознаване на образи, например в системи за идентификация, разпознаване на ръкописен и растерен текст, разпознаване на минерали, аерогеоснимки, руда постъпваща в обогатителна фабрика, задачи от геомеханиката и др.
  
• 
  Контрол и управление. Предварително обучени невронни мрежи се монтират в управляващи блокове и агрегати на различни устройства и извършват автоматичен контрол и управление в реално време. Например в минните предприятия могат да участват в управлението на различни добивни комплекси, лентови транспортни системи, да контролират показатели при обогатяване на рудата и др.
  

1. 
   крайност, т.е. стойността на V не може да е безкрайно голяма,
   
2. 
   еднозначност, т.е. за всяка точка от полето с координати (x, y, z) и за дадена епоха t функцията V има само една определена стойност,
   
3. 
   непрекъснатост, съгласно която при незначително малки премествания на точката стойността на функцията се променя незначително малко
   
4. 
   плавност, съгласно която повърхностите образувани от еднакви стойности на V нямат остри чупки или особени точки.
   

Наред с теорията за полевата форма, тенденциите за оценка на свойствата (формата) преминават през:

• 
  оценки за стационарност и ергодичност
  
• 
  изясняване на структурата на находището – класификационен и клъстерен анализ.