Можливість використання нейромереж для побудови системи розпізнавання мови

Класифікація — це одна з основних для нейромереж завдань. Причому нейросеть може виконувати класифікацію навіть при обу- чении без вчителя (правда, при цьому утворюються класи не мають сенсу, але ніщо не заважає надалі асоціювати їх з іншими класами, що представляють інший тип інформації - фактично наділити їх сенсом). Будь мовний сигнал можна представити як вектор в якому-небудь параметричному просторі, потім цей вектор може бути запомнен в нейромережі. Одна з моделей нейромережі, яка навчається без вчителя - це самоорганізована карта ознак Кохонена. У ній для множини вхідних сигналів формується нейронні ансамблі, що представляють ці сигнали. Цей алгоритм має здатність до статистичного усереднення, тобто вирішується проблема з варіативністю мови. Як і багато інших нейромережеві алгоритми, він здійснює паралельно обробку інформацією, тобто одночасно працюють всі нейрони. Тим самим вирішується проблема зі швидкістю розпізнавання - зазвичай час роботи нейромережі становить кілька ітерацій .

Далі, на основі нейромереж легко будуються ієрархічні багаторівневі структури, при цьому зберігається їх прозорість (можливість їх роздільного аналізу). Так як фактично мова є складовою, тобто розбивається на фрази, слова, літери, звуки, то і систему розпізнавання мови логічно будувати ієрархічну .

Нарешті, ще однією важливою властивістю нейромереж є гнучкість архітектури. Під цим може бути не зовсім точним термином я маю на увазі те, що фактично алгоритм роботи нейромережі визначається її архітектурою. Автоматичне створення алгоритмів - це мрія вже декількох десятиліть. Але створення алгоритмів на мовах програмування поки під силу тільки людині. Звичайно, створені спеціальні мови, що дозволяють виконувати автоматічеську генерацію алгоритмів, але і вони не набагато спрощують цю задачу. А в нейросетях генерація нового алгоритму досягається простим зміною її архітектури. При цьому можливе отримати абсолютно нове рішення задачі. Увівши коректне правило відбору, що визначає, краще або гірше нова нейросеть вирішує завдання, і правила модифікації нейромережі, можна зрештою отримати нейросеть, яка вирішить задачу вірно. Всі нейромережеві моделі, об'єднані такою парадигмою, утворюють безліч генетичних алгоритмів. При цьому дуже чітко простежується зв’язок генетичних алгоритмів і еволюційної теорії (звідси і характерні терміни: популяція, що гени, що батьки - нащадки, що схрещування, мутація). Таким чином, існує можливість створення таких нейромереж, що не були вивчені дослідниками або не піддаються аналітичному вивченню, але тим не менш успішно вирішують завдання.