Multikerrosperceptroni ja sen sovellusalueet

Abstract

Tietokoneet kykenevät suoriutumaan suuresta määrästä raskaita laskutoimituksia lyhyessä ajassa. Niillä on näin ollen siis mahdollista automatisoida sellaisia toimintoja, joissa esimerkiksi ihminen sortuu helposti tarkkaavaisuusvirheisiin. Ihminen pystyy toisaalta sellaisiin toimintoihin, jotka ovat tietokoneille hyvin vaikeita. Esimerkiksi luova ajattelu ja tutun ihmisen kasvojen tunnistaminen onnistuu ihmisiltä huomattavasti helpommin kuin tietokoneilta. Ilman tarkkoja ohjeita tietokone on toimintakyvytön, eikä tuntemattomia ongelmia ole mahdollista ratkaista.

Ihmisaivojen toimintaa on niiden kykyjen vuoksi pidetty mielenkiintoisena tutkimuskohteena tietojenkäsittelyn kannalta. Yritykset mallintaa niiden toimintaa ovat johtaneet neuroverkkojen syntyyn. Kehitys alkoi neuronin mallin esittelemisestä ja jatkui edelleen perceptroniin. Lopulta kehitys päättyi neuroverkkoihin, joita on useita erilaisia. Suosituin niistä on kerroksittaisen rakenteen omaava multikerrosperceptroni.

Neuroverkkoja on koulutettava halutun toiminnan aikaansaamiseksi. Niitä voidaan kouluttaa ohjatusti, ohjaamattomasti ja arvostellusti. Perceptronin kouluttaminen on helpompaa sen yksinkertaisen rakenteen takia kuin multikerrosperceptronin kouluttaminen. Esimerkiksi back propagation- algoritmi soveltuu multikerrosperceptronin kouluttamiseen. Koulutusprosessissa on oltava tarkkana, sillä neuroverkko voi oppia liikaa opeteltavasta asiasta ja tuottaa huonoja tuloksia koulutuksen jälkeen. Verkon oppimista onkin seurattava tarkkaan kouluttamisen yhteydessä. Oppimiseen vaikuttaa myös verkon rakenne.

Neuroverkkojen, erityisesti multikerros perceptronien on todettu sopivan erityisen hyvin erilaisiin käytännön sovelluksiin. Esimerkiksi optisessa kuvantunnistuksessa sen on havaittu tuottavan erityisen hyviä tuloksia, jos kuva tekstistä on prosessoitu oikein neuroverkkoa varten.