Использование нейронных сетей в телекоммуникации

Утебаева Д.Ж.

Эта статья дает краткий обзор нейронных сетей для телекоммуникационных систем. Обсуждаются областей применения и нейросетевых моделей для решения телекоммуникационных задач.

КЛЮЧЕВЫЕ СЛОВА: НЕЙРОННАЯ СЕТЬ, ТЕЛЕКОММУНИКАЦИЯ, ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ.

_____________________________________________________________

Искусственные нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении самых разных задач В числе задач, решение которых доверяют искусственным нейронным сетям, можно назвать следующие: распознавание текстов и образов, нахождение оптимального пути пересылки трафика, контекстная реклама в Интернете, фильтрация спама, проверка проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения.

В настоящее время искусственные нейронные сети позволили справиться с рядом непростых проблем и обещают создание новых программ и устройств, способных решать задачи, которые пока под силу только человеку. Современные нейрокомпьютеры используются в основном в программных продуктах и поэтому редко задействуют свой потенциал «параллелизма». Эпоха настоящих параллельных нейровычислений начнется с появлением на рынке большого числа аппаратных реализаций — специализированных нейрочипов и плат расширений, предназначенных для обработки речи, видео, статических изображений и других типов образной информации.

Другой областью применения нейронных сетей является их использование в специализированных программных агентах — в роботах, предназначенных для обработки информации, а не для физической работы.

В данной статье рассматривается различные нейронные сети, которые применяются в сфере телекоммуникационной индустрии. Одна из важнейших задач в области телекоммуникаций, которая заключается в нахождении оптимального пути пересылки трафика между узлами, может быть успешно решена с помощью нейронных сетей. В данном случае необходимо принимать во внимание то, что, во-первых, предложенное решение должно учитывать текущее состояние сети, качество связи и наличие сбойных участков, а во-вторых, поиск оптимального решения должен осуществляться в реальном времени. Нейронные сети хорошо подходят для решения задач такого рода. Кроме управления маршрутизацией потоков, нейронные сети могут использоваться и при проектировании новых телекоммуникационных сетей, позволяя получать весьма эффективные решения.

Нейронная сеть представляет собой совокупность нейроподобных элементов, определенным образом соединенных друг с другом и с внешней средой с помощью связей, определяемых весовыми коэффициентами. Можно провести следующую классификацию нейронных сетей[2]:

Рисунок 1 - Классификация нейронных сетей

Рассмотрим подробнее структуру искусственных и рекуррентных нейронных сетей (НС) наиболее часто используемые в телекоммуникационных системах.

Рекуррентными нейронными сетями называются такие сети, в которых выходы нейронных элементов последующих слоев имеют синоптические соединения с нейронами предшествующих слоев. Это приводит к возможности учета результатов преобразования нейронной сетью информации на предыдущем этапе для обработки входного вектора на следующем этапе функционирования сети. Рекуррентные сети могут использоваться для решения задач прогнозирования и управления. В рекуррентных нейронных сетях выходы нейронных элементов последнего слоя соединены посредством специальных входных нейронов с нейронами промежуточного слоя. Такие входные нейронные элементы называются контекстными нейронами (context units). Они распределяют выходные данные нейронной сети на нейронные элементы промежуточного слоя.

Наиболее простым случаем рекуррентной сети является один слой нейронов, охваченный обратными связями. При этом каждый нейрон получает задержанные выходные сигналы всех остальных нейронов[4].

Рисунок 2 - Архитектура рекуррентной нейронной сети с обратными связями

На рис. 2 представлена рекуррентная ИНС, содержащая скрытый слой нейронов. В этом случае каждый нейрон получает, кроме входных сигналов, еще и все выходные сигналы сети. Часть ИНС охваченная обратными связями может иметь и больше количество скрытых слоев. Одним из главных применений рекуррентных ИНС являются нейроэмуляторы динамических объектов, то есть их нейросетевые модели. Такие сети могут также использоваться для решения задач аппроксимации временных последовательностей, классификации, распознавания образов и управления[4].

Основные преимущества и достоинства нейронных сетей являются решение задач при неизвестных закономерностях и устойчивость к шумам во входных данных. А также, нейронные сети обладают способностью адаптироваться к изменениям окружающей среды. В итоге данная сеть отличается лишь тем, что сигнал с внутреннего слоя поступает на дополнительные входы, такие дополнительные входы называют контекстом, которые служат для хранения информации о предыдущем стимуле, благодаря чему реакция сети теперь зависит не только от текущего стимула, но и предыдущего и она в области распознавания успешно применяется.

Используемые литературы:

1. Комашинский В.И., Смирнов Д.А. «Нейронные сети и их применение в системах управления и связи»

2. http://www.aiportal.ru/articles/neural-networks/classification.html

3. Платонов Ю. В., Зеленин А. Е., Смолянинов А. С., Грачев А.С. «Использование нейронной сети для распознавания символов»

4. http://rasty.kiev.ua/viewtopic.php?t=17036