6. BỐ CỤC LUẬN VĂN
2.1.3. Khả năng ứng dụng của mạng nơ-ron nhân tạo
Đặc trƣng của mạng nơ-ron nhân tạo là khả năng học và xử lý song song. Nó có thể gần đúng mối quan hệ tƣơng quan phức tạp giữa các yếu tố đầu vào và đầu ra của các quá trình cần nghiên cứu và khi đã học đƣợc thì việc kiểm tra độc lập thƣờng cho kết quả tốt. Sau khi đã học xong, mạng nơ-ron nhân tạo có thể tính toán kết quả đầu ra tƣơng ứng với bộ số liệu đầu vào mới.
Về mặt cấu trúc, mạng nơ-ron nhân tạo là một hệ thống gồm nhiều phần tử xử lý đơn giản cùng hoạt động song song. Tính năng này của ANN cho phép nó có thể đƣợc áp dụng để giải các bài toán lớn.
Mạng nơ-ron có những tính chất sau đây:
Một là, tính phi tuyến. Đây là một tính chất này rất quan trọng. Mạng nơ- ron nhân tạo có thể tính toán một cách tuyến tính hay phi tuyến. Nó cho phép mạng nơ- ron tạo ra các mặt cắt trong không gian dữ liệu không phải là siêu phẳng mà lồi
lõm không đều. Nhƣ vậy không gian mẫu có thể chia thành nhiều miền. Mỗi miền đƣợc gọi là một lớp. Đặc trƣng này đƣợc sử dụng nhiều, ví dụ trong xấp xỉ mạng, miền nhiễu và có khả năng phân lớp.
Hai là, tự thích nghi và tự tổ chức. Các mạng nơ-ron có khả năng xử lý thích nghi và điều chỉnh bền vững dựa vào các thuật toán học và quy tắc tự tổ chức. Khả năng xử lý thích nghi thể hiện ở khả năng biến đổi các trọng số trong mạng tuỳ theo sự thay đổi của môi trƣờng xung quanh. Một mạng nơ-ron đã đƣợc huấn luyện trong môi trƣờng xác định, vẫn có thể thích nghi trong môi trƣờng khác bằng cách tự thay đổi trọng số các kết nối. Vì vậy dù mẫu không ổn định hay bị nhiễu thì nó vấn có thể đáp ứng thích hợp. Tuy nhiên, không phải lúc nào tính tự thích nghi cũng mang lại hiệu quả hay sức mạnh cho mạng.
Ba là, tính chịu lỗi. Não của con ngƣời có khả năng dung thứ lỗi, tức là với những thông tin thiếu chính xác, không đầy đủ mà vẫn có thể xử lý, giải quyết đƣợc các vấn đề đặt ra. Mạng nơ-ron bắt chƣớc khả năng này của bộ não. Hệ thống mạng nơ-ron vẫn có thể tiếp tục hoạt động và điều chỉnh, khi nhận tín hiệu vào có một phần thông tin bị sai lệch hay bị thiếu. Khi một số nơ-ron không thực hiện tính toán, hay một vài kết nối bị hỏng thì khả năng của mạng chỉ bị giảm đi chứ không bị đổ vỡ. Mạng nơ-ron luôn đƣa ra kết quả thích hợp trong mọi tình huống.
Bốn là, tính đồng dạng trong thiết kế. Các mô hình mạng nơ-ron đều có chung đặc điểm là đƣợc cấu thành từ các nơ-ron riêng biệt liên kết với nhau. Liên kết càng phức tạp thì mô hình mạng nơ-ron càng mạnh. Các mạng tổ hợp có thể xây dựng bằng cách tích hợp nhiều mạng khác nhau.
Với những đặc điểm đó, mạng nơ-ron nhân tạo đã đƣợc sử dụng để giải quyết nhiều bài toán thuộc nhiều lĩnh vực của các ngành khác nhau. Các nhóm ứng dụng mà mạng nơ-ron nhân tạo đã đƣợc áp dụng rất có hiệu quả là [4]:
• Bài toán phân lớp: Loại bài toán này đòi hỏi giải quyết vấn đề phân loại các đối tƣợng quan sát đƣợc thành các nhóm dựa trên các đặc điểm của các nhóm
đối tƣợng đó. Đây là dạng bài toán cơ sở của rất nhiều bài toán trong thực tế: nhận dạng chữ viết, tiếng nói, phân loại gen, phân loại chất lƣợng sản phẩm,…
• Bài toán dự báo: Mạng nơ-ron nhân tạo đã đƣợc ứng dụng thành công trong việc xây dựng các mô hình dự báo sử dụng tập dữ liệu trong quá khứ để dự đoán số liệu trong tƣơng lai. Đây là nhóm bài toán khó và rất quan trọng trong nhiều ngành khoa học.
• Bài toán điều khiển và tối ƣu hoá: Nhờ khả năng học và xấp xỉ hàm mà mạng nơ-ron nhân tạo đã đƣợc sử dụng trong nhiều hệ thống điều khiển tự động cũng nhƣ góp phần giải quyết những bài toán tối ƣu trong thực tế. Tóm lại, mạng nơ-ron nhân tạo đƣợc xem nhƣ là một cách tiếp cận đầy tiềm năng để giải quyết các bài toán có tính phi tuyến, phức tạp và đặc biệt là trong tình huống mối quan hệ bản chất vật lý của quá trình cần nghiên cứu không dễ thiết lập tƣờng minh.