Los problemas que se utilizan para resolver los modelos de redes neuronales incluyen: campo de la información, campo médico, campo económico, campo de control, campo del transporte y campo de la psicología.
1. Campo de información
(1) Procesamiento de información: los sistemas de redes neuronales artificiales tienen una alta tolerancia a fallas, robustez y autoorganización en equipos electrónicos de sistemas militares. Los sistemas de información inteligentes existentes incluyen instrumentos inteligentes, sistemas de instrumentos de monitoreo y seguimiento automático, sistemas de guía y control automático, sistemas de alarma y diagnóstico automático de fallas, etc.
(2) Reconocimiento de patrones: la red neuronal artificial es un método común en el reconocimiento de patrones y se usa ampliamente en el reconocimiento de texto, reconocimiento de voz, reconocimiento de huellas dactilares, reconocimiento de imágenes por teledetección, reconocimiento de rostros y reconocimiento de caracteres escritos a mano. , detección de fallos industriales, guiado de precisión, etc.
2. Campo médico
Debido a la complejidad e imprevisibilidad del cuerpo humano y las enfermedades, la aplicación de redes neuronales artificiales involucra casi todos los aspectos, desde la medicina básica hasta la medicina clínica.
(1) Detección y análisis de señales biológicas: La aplicación de redes neuronales en la detección y procesamiento de señales biomédicas se centra principalmente en el análisis de señales eléctricas cerebrales, la extracción de señales de potenciales evocados auditivos, mioelectricidad y reconocimiento de señales eléctricas gastrointestinales, compresión de señales de ECG, reconocimiento y procesamiento de imágenes médicas, etc.
(2) Sistema experto médico: las redes neuronales basadas en procesamiento paralelo no lineal han señalado una nueva dirección de desarrollo para la investigación de sistemas expertos, han resuelto los problemas de la "explosión" del conocimiento de los sistemas expertos tradicionales y han mejorado las capacidades de razonamiento, autoorganización y autoaprendizaje del conocimiento, por lo que las redes neuronales se han utilizado y desarrollado ampliamente en sistemas médicos expertos.
3. Campo económico
(1) Predicción de precios de mercado: la red neuronal artificial puede predecir científicamente la tendencia cambiante de los precios de los productos básicos mediante el establecimiento de modelos y obtener resultados de evaluación precisos y objetivos.
(2) Evaluación de riesgos: la idea de predicción de aplicar una red neuronal artificial es construir la estructura y el algoritmo del modelo de riesgo crediticio adecuado para la situación real en función de las fuentes de riesgo realistas específicas, obtener la coeficiente de evaluación de riesgos, para luego determinar soluciones a problemas reales.
4. Campo de control
Debido a su estructura de modelo única y sus capacidades inherentes de simulación no lineal, así como a sus características altamente adaptativas y tolerantes a fallas, las redes neuronales artificiales se utilizan ampliamente en el control. sistemas ha sido ampliamente utilizado. Las estructuras de control básicas incluyen control de supervisión, control de modelo inverso directo, control de referencia de modelo, control de modelo interno, control predictivo, control de decisión óptima, etc.
5. Campo del transporte
Los problemas de transporte son altamente no lineales y los datos disponibles suelen ser grandes y complejos. El uso de redes neuronales para abordar problemas relacionados tiene enormes ventajas. la simulación del comportamiento del conductor, estimación de parámetros, mantenimiento de carreteras, detección y clasificación de vehículos, análisis de patrones de tráfico, gestión de operaciones de carga, predicción del flujo de tráfico, etc.
6. El campo de la psicología
Desde la formación del modelo de red neuronal, ha sido inseparable de la psicología. En los últimos años, los modelos de redes neuronales artificiales se han convertido en una herramienta indispensable para explorar los mecanismos de procesos psicológicos avanzados como la cognición social, la memoria y el aprendizaje. Los modelos de redes neuronales artificiales también pueden estudiar los déficits cognitivos en pacientes con lesión cerebral, lo que plantea desafíos a los mecanismos tradicionales de posicionamiento cognitivo.
Las redes neuronales tienen cuatro características básicas:
1. No linealidad: Las relaciones no lineales son características universales de la naturaleza. La inteligencia del cerebro es un fenómeno no lineal. Las neuronas artificiales se encuentran en dos estados diferentes de activación o inhibición. Este comportamiento se expresa matemáticamente como una relación no lineal. Las redes compuestas por neuronas con umbral tienen un mejor rendimiento y pueden aumentar la tolerancia a fallos y la capacidad de almacenamiento.
2. No limitado: Una red neuronal suele estar compuesta por múltiples neuronas ampliamente conectadas. El comportamiento general de un sistema no sólo depende de las características de las neuronas individuales, sino que también puede estar determinado principalmente por las interacciones e interconexiones entre unidades. Simule la no localidad del cerebro a través de una gran cantidad de conexiones entre unidades. La memoria asociativa es un ejemplo clásico de no limitación.
3. Muy cualitativa: Las redes neuronales artificiales tienen capacidades adaptativas, de autoorganización y de autoaprendizaje. No sólo la información procesada por las redes neuronales puede cambiar de varias maneras, sino que mientras procesa la información, el propio sistema dinámico no lineal también cambia constantemente. Los procesos iterativos se utilizan a menudo para describir la evolución de sistemas dinámicos.
4. No convexidad: La dirección de evolución de un sistema dependerá de una función de estado específica bajo ciertas condiciones. Por ejemplo, en la función de energía, su valor extremo corresponde al estado relativamente estable del sistema. La no convexidad significa que esta función tiene múltiples valores extremos, por lo que el sistema tiene múltiples estados de equilibrio estable, lo que conducirá a diversidad en la evolución del sistema.