Нейронные сети - Программирование, компьютеры и кибернетика реферат
Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.
посмотреть текст работы
скачать работу можно здесь
полная информация о работе
весь список подобных работ
Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Нейронная сеть - это система, которая принимает решения при множестве заданных условий (на входе много разных условий, по которым выдается решение на выходе).
Нейрон является нервной клеткой биологической системы. Он состоит из тела и отростков, соединяющих его с внешним миром рис. 1.1.
Отростки, по которым нейрон получает возбуждение, называются дендритами. Отросток, по которому нейрон передает возбуждение, называется аксоном, причем аксон у каждого нейрона один. Место соединения аксона нейрона - источника возбуждения с дендритом называется синапсом. Основная функция нейрона заключается в передаче возбуждения с дендритов на аксон. Но сигналы, поступающие с различных дендритов, могут оказывать различное влияние на сигнал в аксоне. Нейрон выдаст сигнал, если суммарное возбуждение превысит некоторое пороговое значение, которое в общем случае изменяется в некоторых пределах. В противном случае на аксон сигнал выдан не будет: нейрон не ответит на возбуждение. У этой основной схемы много усложнений и исключений, тем не менее, большинство искусственных нейронных сетей моделируют лишь эти простые свойства.
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рисунке можно увидеть множество входных сигналов, обозначенных x1, x2,:, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,..., wn, и поступает на суммирующий блок. Каждый вес соответствует "силе" одной биологической синаптической связи. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом: NET = XW.
Хотя один нейрон и способен выполнять простейшие процедуры распознавания, сила нейронных вычислений проистекает от соединений нейронов в сетях. Простейшая сеть состоит из группы нейронов, образующих слой, как показано на рис.1.3. Отметим, что вершины-круги слева служат лишь для распределения входных сигналов. Они не выполняют каких- либо вычислений, и поэтому не будут считаться слоем. По этой причине они обозначены кругами, чтобы отличать их от вычисляющих нейронов, обозначенных квадратами. Каждый элемент из множества входов Х отдельным весом соединен с каждым искусственным нейроном. Вычисление выходного вектора N, компонентами которого являются выходы OUT нейронов, сводится к матричному умножению N = XW, где N и Х - векторы-строки.
Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями. Хотя созданы сети всех конфигураций, какие только можно себе представить, послойная организация нейронов копирует слоистые структуры определенных отделов мозга. Многослойные сети могут образовываться каскадами слоев. Выход одного слоя является входом для последующего слоя. Подобная сеть показана на рис 1.4 и снова изображена со всеми соединениями.
Нейрокомпьютеры (компьютеры на основе нейронных сетей) обладают целым рядом свойств, привлекательных с точки зрения их практического использования:
Сверхвысокое быстродействие за счет использования массового параллелизма обработки информации.
Толерантность (терпимость) к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов.
Способность к обучению; программирование вычислительной системы заменяется обучением.
Способность к распознаванию образов в условиях сильных помех и искажений.
Однако, первые 2 свойства имеют место только при аппаратной реализации нейронных сетей. Аппаратно реализованные нейронные сети обеспечивают решение сложных задач за времена порядка времен срабатывания цепочек электронных и/или оптических элементов. Решение слабо зависит от неисправности отдельного нейрона. Это делает их привлекательными для использования в составе бортовых вычислительных систем.
В настоящее время нейронные сети применяются для решения многих неформализуемых или трудно формализуемых задач:
распознавания аэрокосмических изображений;
прогнозирования котировки ценных бумаг и курса валют;
предупреждения мошенничества с кредитными карточками;
оценки финансового состояния предприятий и риска невозврата кредитов;
обработки радиолокационных сигналов;
контроля движения на скоростных автомагистралях и железных дорогах;
добычи знаний из больших объемов данных в бизнесе, финансах и научных исследованиях.
Нейронные сети можно использовать при следующих условиях:
Если при решении задачи можно выделить множество входных факторов (сигналов, признаков, данных и т.п.) и множество выходных факторов.
Если изменения входных факторов приводит к изменению выходных.
В то же время применение нейронных сетей при решении некоторых задач может оказаться эффективнее использования разума человека. Это объясняется тем, что человеческий разум ориентирован на решение задач в трехмерном пространстве. Многомерные задачи для него характеризуются значительно большей трудоемкостью. Искусственным нейронным сетям не свойственно такое ограничение. Им все равно решать трехмерную или 10-мерную задачу.
При применении нейронных сетей необходимо решить следующие задачи:
Постановка задачи, пригодной для решения с помощью нейронной сети.
Подготовка исходных данных для обучения ИНС.
Собственно решение задачи с помощью обученной ИНС
Кроме того, иногда нужен еще один этап - интерпретация решения, полученного нейронной сетью.
Наиболее трудоемкими процессами при использовании нейронных сетей являются подготовка исходных данных для обучения и обучение нейронной сети.
По организации обучения разделяют обучение нейронных сетей с учителем (supervised neural networks) и без учителя (nonsupervised). При обучении с учителем предполагается, что есть внешняя среда, которая предоставляет обучающие примеры (значения входов и соответствующие им значения выходов) на этапе обучения или оценивает правильность функционирования нейронной сети и в соответствии со своими критериями меняет состояние нейронной сети или поощряет (наказывает) нейронную сеть, запуская тем самым механизм изменения ее состояния. Под состоянием нейронной сети, которое может изменяться, обычно понимается:
веса синапсов нейронов (карта весов - map) (коннекционистский подход);
веса синапсов и пороги нейронов (обычно в этом случае порог является более легко изменяемым параметром, чем веса синапсов);
установление новых связей между нейронами (свойство биологических нейронов устанавливать новые связи и ликвидировать старые называется пластичностью).
По способу обучения разделяют обучение по входам и по выходам. При обучении по входам обучающий пример представляет собой только вектор входных сигналов, а при обучении по выходам в него входит и вектор выходных сигналов, соответствующий входному вектору.
По способу предъявления примеров различают предъявление одиночных примеров и "страницы" примеров. В первом случае изменение состояния нейронной сети (обучение) происходит после предъявления каждого примера. Во втором - после предъявления "страницы" (множества) примеров на основе анализа сразу их всех.
По особенностям модели нейрона различают нейроны с разными нелинейными функциями:
Перечисленные функции относятся к однопараметрическим. Также используются многопараметрические передаточные функции.
Многослойная сеть с обратным распространением ошибки
Двунаправленная ассоциативная память (ДАП)
Первое систематическое изучение искусственных нейронных сетей было предпринято Маккалокком и Питтсом в 1943 г. Простая нейронная модель, показанная на рисунке 2.1, использовалась в большей части их работы.
Элемент S умножает каждый вход х на вес w и суммирует взвешенные входы. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае - нулю. Эти системы получили название персептронов. Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов. Персептрон обучают, подавая множество образов по одному на его вход, и подстраивая веса до тех пор, пока для всех образов не будет достигнут требуемый выход.
Целью обучения является такая подстройка весов НС, чтобы приложение некоторого множества векторов входов приводило к требуему множеству векторов выходов. При обучении предполагается, что у каждого входного вектора есть парный ему выходной. Сеть обучается на многих парах, называемых обучающими парами. Множество обучающих пар называется тренировочным набором.
В мозге нейроны располагаются в определенном порядке так, что некоторые внешние физические воздействия вызывают ответную реакцию нейронов из определенной области мозга. Например, в той части мозга, которая отвечает за восприятие звуковых сигналов, нейроны группируются в соответствии с частотами входного сигнала, на которых они резонируют. Хотя строение мозга в значительной степени предопределяется генетически, отдельные структуры мозга формируются в процессе самоорганизации. Алгоритм Кохонена в некоторой степени напоминает процессы, происходящие в мозге. Алгоритм Кохонена дает возможность строить нейронную сеть для разделения векторов входных сигналов на подгруппы. Сеть состоит из M нейронов, образующих прямоугольную решетку на плоскости. Элементы входных сигналов подаются на входы всех нейронов сети. В процессе работы алгоритма настраиваются синаптические веса нейронов.
Входные сигналы - вектора действительных чисел - последовательно предъявляются сети. Желаемые выходные сигналы не определяются. После того, как было предъявлено достаточное число входных векторов, синаптические веса сети определяют кластеры. Кроме того, веса организуются так, что топологически близкие узлы чувствительны к похожим внешним воздействиям (входным сигналам).
Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией. реферат [158,2 K], добавлен 16.03.2011
Возможности программ моделирования нейронных сетей. Виды нейросетей: персептроны, сети Кохонена, сети радиальных базисных функций. Генетический алгоритм, его применение для оптимизации нейросетей. Система моделирования нейронных сетей Trajan 2.0. дипломная работа [2,3 M], добавлен 13.10.2015
Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов. реферат [347,6 K], добавлен 17.12.2011
Нейронные сети как средство анализа процесса продаж мобильных телефонов. Автоматизированные решения на основе технологии нейронных сетей. Разработка программы прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей. дипломная работа [4,6 M], добавлен 22.09.2011
Применение нейрокомпьютеров на российском финансовом рынке. Прогнозирование временных рядов на основе нейросетевых методов обработки. Определение курсов облигаций и акций предприятий. Применение нейронных сетей к задачам анализа биржевой деятельности. курсовая работа [527,2 K], добавлен 28.05.2009
Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы. презентация [582,1 K], добавлен 25.06.2013
Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки. дипломная работа [814,6 K], добавлен 29.09.2014
Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д. PPT, PPTX и PDF-файлы представлены только в архивах. Рекомендуем скачать работу .
© 2000 — 2021
Нейронные сети реферат. Программирование, компьютеры и кибернетика.
Эссе Личный Кабинет
Дипломная Работа На Тему Библиотека
Реферат: Marx And Weber Essay Research Paper Erik
С Днем Рождения Собственного Сочинения
Обособленные Предложения Контрольная Работа 8 Класс
Дипломная работа: Диагностика банкротства предприятия и разработка антикризисной программы на предприятии. Скачать бесплатно и без регистрации
Європейська Музична Культура Реферат Українською
Входные Контрольные Работы По Немецкому Языку
Механические Силы На Производстве Реферат
Патриотизм Сочинение Огэ
Дипломная работа по теме Возмещение экспортного налога на добавленную стоимость
Реферат: З. Фрейд. Тотем и табу
Курсовая Работа По Экономике Доходы И Расходы Их Виды И Классификация
Реферат: Death Friend Or Foe Essay Research Paper
Сочинение Мир Без Интернета
Реферат: My Goal And Seback In Life Essay
Реферат по теме Логистическое управление закупочной деятельностью
Курсовая работа по теме Организация учёта основных средств
Курсовая Работа Купить Мск
Расширение Института Присяжных За И Против Реферат
Повышение эффективности операций складирования и хранения материально–технических ресурсов на примере ООО "Авирон" - Маркетинг, реклама и торговля дипломная работа
Формирование и развитие речи и мышления учащихся в процессе изучения синтаксиса в начальной школе - Педагогика дипломная работа
Модернизация системы автоматического регулирования температуры методической печи стана 250 СПЦ - Программирование, компьютеры и кибернетика дипломная работа