Главная Обратная связь

Дисциплины:






Штучні нейронні мережі



Штучні нейронні мережі

Курс лекцій "Технології штучних нейронних мереж" призначений допомогти читачеві зрозуміти, що таке штучні нейронні мережі, як їх використовувати і де вони на цей час використовуються.

Штучні нейронні мережі рекламуються як провісник майбутнього у обчисленнях, що не вимагає традиційних навичок програміста. З'явилась лавина статей, що рекламують широкий асортимент нейромереж з унікальними вимогами та специфічними прикладами. Основною задачею розробників та користувачів нейромереж є ефективні алгоритми навчання та розширення кола вирішуваних задач.

 

Лекція 1. Штучні нейронні мережі

 

  • Історія нейронних мереж
  • Аналогія з мозком
  • Біологічний нейрон
  • Штучний нейрон
  • Штучні нейронні мережі
  • Навчання штучної нейронної мережі
  • Обґрунтованість застосування нейромереж

 

Лекція 2. Детальний опис компонент нейронних мереж

 

  • Розширена модель штучного нейрона
  • Компоненти штучного нейрона
  • Архітектура з'єднань штучних нейронів
  • Навчання штучної нейронної мережі
  • Контрольоване навчання
  • Неконтрольоване навчання
  • Оцінки навчання
  • Правила навчання

 

Лекція 3. Вибір мережі

 

  • Перцептрон Розенбалата
  • Нейромережа зворотного поширення похибки
  • Delta Bar Delta
  • Extended Delta Bar Delta
  • Скерований випадковий пошук
  • Нейронна мережа вищого порядку або функціонально-пов'язана нейронна мережа
  • Карта Кохонена
  • Квантування навчального вектора
  • Мережа зустрічного поширення CounterРropagation
  • Імовірнісна нейронна мережа
  • Мережа Хопфілда
  • Машина Больцмана
  • Мережа Хемінга
  • Двоскерована асоціативна пам'ять
  • Мережа адаптивної резонансної теорії

 

Лекція 4. Нейронна мережа на основі моделі "Функціонал на множині табличних функцій"

 

  • Базові концепції моделі "Функціонал на множині табличних функцій"
  • Навчання та функціонування нейромережі ФТФ
  • Алгоритм для режиму навчання нейромереж
  • Алгоритм для режиму функціонування нейромережі
  • Особливості формування передатних функцій

 

Лекція 5. Нейромережі в задачах відображення

 

  • Типи задач відображення і підходи до їх вирішення
  • Задачі прогнозування
  • Адаптація нейромереж в режимах прогнозування до даних навчальних множин
  • Однопараметрична задача прогнозування
  • Багатопараметрична задача прогнозування
  • Однокрокове прогнозування (передбачення)
  • Багатокрокове прогнозування
  • Багатокрокове прогнозування з перенавчанням нейромережі на кожному кроці прогнозу
  • Критерії оцінки якості функціонування мережі
  • Оцінювання точності прогнозів

 

Лекція 6. Сучасні напрямки розвитку нейрокомп'ютерних технологій

 



  • Традиційні задачі
  • Прикладні задачі
  • Нейрочіпи і нейрокомп'ютери
  • Підсумок

Штучні нейронні мережі

  • Історія нейронних мереж
  • Аналогія з мозком.
  • Біологічний нейрон
  • Штучний нейрон
  • Штучні нейронні мережі
  • Навчання штучної нейронної мережі.
  • Обґрунтованість застосування нейромереж

Інтелектуальні системи на основі штучних нейронних мереж дозволяють з успіхом вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативній пам'яті і керування. Традиційні підходи до рішення цих проблем не завжди надають необхідну гнучкість. Багато застосувань виграють від використання нейромереж.

Штучні нейромережі є електронними моделями нейронної структури мозку, який головним чином навчається з досвіду. Природній аналог доводить, що множина проблем, які поки що не підвладні розв'язуванню наявними комп'ютерами, можуть бути ефективно вирішені блоками нейромереж.

Тривалий період еволюції додав мозку людини багато якостей, що відсутні в сучасних комп'ютерах з архітектурою фон Неймана. До них відносяться:

  • розподілене представлення інформації і паралельні обчислення;
  • здатність до навчання і здатність до узагальнення;
  • адаптивність;
  • толерантність до помилок
  • низьке енергоспоживання.

Прилади, побудовані на принципах біологічних нейронів мають перелічені характеристики, що можна вважати суттєвим здобутком у індустрії обробки даних.

Досягнення в галузі нейрофізіології надають початкове розуміння механізму природного мислення, де збереження інформації відбувається у вигляді образів, деякі з яких є складними. Процес зберігання інформації як образів, використання образів і вирішення поставленої проблеми визначають нову галузь в обробці даних, яка не використовуючи традиційного програмування, забезпечує створення паралельних мереж та їх навчання. В лексиконі розробників та користувачів нейромереж присутні слова, дуже відмінні від традиційної обробки даних, зокрема, "вести себе", "реагувати", "самоорганізовувати", "навчати", "узагальнювати" та "забувати".





sdamzavas.net - 2017 год. Все права принадлежат их авторам! В случае нарушение авторского права, обращайтесь по форме обратной связи...