Глава 1. Искусственные нейронные сети (ИНС)Совета депутатов города Новосибирска Жарюк Александр Вениаминович
Нейронная сеть как универсальный аппроксиматор ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА БАКАЛАВРА студента 4 курса 432 группы направления 03.03.02 «Физика» физического факультета Митракова Ивана Дмитриевича
Саратов 2015 Содержание Введение Глава 1. Искусственные нейронные сети 1.1 Биологический прототип нейрона (имитацию тоже сюда) 1.2 Математическая модель нейрона 1.3 Классификация нейронных сетей 1.4 Многослойный персептрон
Глава 2. Аппроксимация функций 2.1 Теорема об универсальной аппроксимации 2.2 Проблема размерности 2.3 Персептрон с двумя скрытыми слоями
Глава 3. Практическая часть
Заключение Список литературы
Введение
Глава 1. Искусственные нейронные сети (ИНС) Одна из наиболее динамично развивающихся областей современной теории интеллектуальных вычислений связана с построением и применением искусственных нейронных сетей. В последние несколько лет наблюдается взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях: бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику там, где нужно решать задачи прогнозирования, классификации, идентификации, аппроксимации или управления. Нейронные сети – это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. ИНС сходна с мозгом с двух точек зрения: 1) Знания поступают в ИНС из окружающей среды и используются в процессе обучения. 2) Для накопления знаний применяются связи между нейронами, называемые синаптическими весами Важнейшая особенность нейронной сети, свидетельствующая об ее широких возможностях и огромном потенциале для решения вычислительных задач, состоит в параллельной обработке информации всеми звеньями цепи, что позволяет ускорять процесс обработки информации. Другое не менее важное свойство нейронной сети – способность к обучению и обобщению накопленных знаний. Нейронная сеть обладает чертами искусственного интеллекта. Натренированная на ограниченном множестве данных сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения. Искусственные нейронные сети в практических приложениях, как правило, используются в качестве подсистемы управления или выработки решений, передающей исполнительный сигнал другим подсистемам, имеющим иную методологическую основу. Задачи, решаемые с помощью нейронных сетей, подразделяются на несколько групп: - аппроксимация; - классификация; - распознавание образов; - прогнозирование; - идентификация; - оценивание; - ассоциативное управление. Основными достоинствами нейронных сетей являются параллельная обработка информации одновременно всеми нейронами, что обеспечивает ускорение процесса обработки информации, нечувствительность к ошибкам, возникающих в отдельных контактах (благодаря большому количеству межнейронных соединений), способность к обобщению, за счет которого нейронная сеть вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.Носамым важным преимуществом нейросетевого подхода является то, что аппроксимирующая система на базе искусственных нейронных сетей может выявлять зависимости, не поддающиеся обнаружению при использовании других методов обработки информации. Нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, то есть не работают классические методы. Эти достоинства нейронных сетей обеспечивают предпочтение нейронных моделей перед классическими методами. В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами: - простой обрабатывающий элемент – нейрон; - очень большое число нейронов участвует в обработке информации; - один нейрон связан с большим числом других нейронов (глобальные связи); - изменяющиеся веса связей между нейронами; - массированная параллельность обработки информации. Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга.
|