ДЗ по ИИС Фомка. Искусственные нейронные сети Выполнила работу
 Скачать 3.42 Mb.
|
Искусственные нейронные сетиВыполнила работуСтудентка 721(ИС) группыФомка АлинаЧто же такое нейронные сети?Искусственная нейронная сеть - математическая модель, а также ее программное и аппаратное воплощение, построенная по принципу организации и функционирования биологический нейронных сетей – сетей нервных клеток животного организма. Немного истории1904 г. С. Рамон-и-Кахаль (открытие нейронов – нервных клеток); 1943 г. У. Мак-Каллок, У. Питтс (модель искусственного нейрона; основные принципы построения ИНС); 1949 г. Д. Хебб (идеи о соединении и взаимодействии нейронов мозга; правила обучения ИНС); 1951 г. М. Минский, Д. Эдмондс (SNARC: крыса в лабиринте); Немного истории1957 г. В. И. Арнольд, А. Н. Колмогоров (решение 13 проблемы Гильберта: любую непрерывную функцию многих переменных можно представить как суперпозицию непрерывных функций одной переменной и сложения) 1962 г. Ф. Розенблатт (Энтузиазм Персептрон; попытки предсказания погоды, анализа электрокардиограмм, распознавания рукописных букв) 1969 г. М. Минский, С. Пейперт (Пессимизм Критическая работа «Персептроны»; возможности персептронов ограничены) 1970-е г. Т. Кохонен, С. Гроссберг и др. (многослойные сети различной архитектуры; успешное решение задач, считавшихся неразрешимыми) 1982 г. Дж. Хопфилд (динамическая сеть) Немного истории1986 г. Д. Румельхарт, Дж. Хинтон, Р. Вильямс (метод обратного распространения ошибки); Середина 1980-х г. (Нейросетевой бум; новые модели нейронных сетей) 1987 г. Р. Хехт-Нильсен (вариант 13 проблемы Гильберта: любую непрерывную функцию многих переменных можно с любой точностью приблизить с помощью трехслойного персептрона); 1990-е г. (развитие новых нейропарадигм замедлилось; нейрочипы, нейрокомпьютеры). Какое место занимают нейросети в Computer ScienceПредставление нейросетиСама нейросеть представляет собой систему из множества нейронов. По отдельности эти процессоры достаточно просты (намного проще, чем процессор персонального компьютера), но будучи соединенными в большую систему нейроны способны выполнять очень сложные задачи. Особенности нейронных сетейОсновным преимуществом нейросетей над обычными алгоритмами вычисления является их возможность обучения. Это обучение заключается в нахождении верных коэффициентов связи между нейронами, а также в обобщении данных и выявлении сложных зависимостей между входными и выходными сигналами. Классификация образов (определить принадлежность входного образа одному из заранее заданных классов); Распознавание речи и изображений, мед.диагностикаКластеризация (классификация без учителя) (Разместить близкие образы в один кластер);Сжатие данных, извлечение знанийАппроксимация функций (найти оценку неизвестной функции F(x) по обучающей выборке {(x1,y1)…(xN,yN)});Инженерное и научное моделированиеОптимизация (найти решение x, удовлетворяющее системе ограничений и максимизирующее (минимизирующее) целевую функцию); Ассоциативная память (организовать память с доступом по частичному или искаженному содержанию); Информационно-вычислительные системыУправление (рассчитать управляющее воздействие u на динамическую систему {u(t),y(t)}, чтобы выход y совпадал с эталоном);Прогноз (найти неизвестное y(tN+1) по известным y(t1)…y(tN)) Построение ИНСВыбор архитектуры ТопологияФункции активацииВходы-выходыДля каждой задачи – своя архитектураОбучение«С учителем» и «без учителя»Настройка весов и смещений (10000)Для каждой архитектуры – свои алгоритмыНаиболее изученные: персептрон,сеть Кохонена, обобщенно-регрессионная сеть и др.Классификация ИНС По топологииПолно связные Слабо связные Многослойные Классификация ИНС По наличию задержекСтатическая сеть Динамическая сеть Классификация ИНС По наличию обратной связиСеть с прямым распространением сигнала Рекуррентная сеть Классификация ИНСПо функциям активацииОднородные Неоднородные По типу входного сигналаБинарныйЦелый Действительный СвойстваУвеличение числа слоев и числа нейронов повышает возможности сети, но замедляет обучение. Введение обратных связей повышает возможности сети, но возникает вопрос об устойчивости. Где используются нейронные сети?Нейронные сети используются для решения разнообразных задач. Если рассмотреть операции по степени сложности, то для решения простейших задач подойдёт обычная компьютерная программа. А вот задачи более сложного уровня требуют совсем иного подхода. В частности, это относится к распознаванию образов, речи или сложному прогнозированию. В голове человека подобные процессы происходят неосознанно, то есть, распознавая и запоминая образы, человек не осознаёт, как происходит этот процесс, а соответственно не может его контролировать. Именно такие задачи помогают решить нейронные сети, то есть то есть они созданы чтобы выполнять процессы, алгоритмы которых неизвестны.Спасибо за внимание! |