Содержание
- 2. Нейрокомпьютинг - это научное направление, занимающееся разработкой вычислительных систем шестого поколения - нейрокомпьютеров, которые состоят из
- 3. Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967), а также Адалин, разработанный Уидроу и
- 4. ОСНОВНАЯ ИДЕЯ В отличие от цифровых систем, представляющих собой комбинации процессорных и запоминающих блоков, нейропроцессоры содержат
- 5. НЕЙРОННЫЕ СЕТИ В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо
- 6. ИСКУСТВЕННЫЙ НЕЙРОН Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции
- 7. МОДЕЛЬ МАККАЛОХА Теоретические основы нейроматематики были заложены в начале 40-х годов. В 1943 году У. Маккалох
- 8. Несмотря на то, что за прошедшие годы нейроматематика ушла далеко вперед, многие утверждения Макклоха остаются актуальными
- 9. МОДЕЛЬ РОЗЕНБЛАТА Серьезное развитие нейрокибернетика получила в работах американского нейрофизиолога Френсиса Розенблата (Корнелльский университет). В 1958
- 10. Алгоритм обучения перцептрона выглядит следующим образом: Системе предъявляется эталонный образ; Если выходы системы срабатывают правильно, весовые
- 11. МОДЕЛЬ ХОПФИЛДА В 70-е годы интерес к нейронным сетям значительно упал, однако работы по их исследованию
- 12. Развитием модели Хопфилда для решения комбинаторных оптимизационных задач и задач искусственного интеллекта является машина Больцмана, предложенная
- 13. МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ Способом обратного распространения называется способ обучения многослойных нейронных сетей (НС) В таких НС
- 14. Еще в 1974 году Поль Дж. Вербос изобрел значительно более эффективную процедуру для вычисления величины, называемой
- 15. ЗАДАЧИ, РЕШАЕМЫЕ НА ОСНОВЕ НС В литературе встречается значительное число признаков, которыми должна обладать задача, чтобы
- 16. Нефтяная и химическая промышленность: Анализ геологической информации; Идентификация неисправностей оборудования; Разведка залежей минералов по данным аэрофотосъемок;
- 18. Скачать презентацию
Нейрокомпьютинг - это научное направление, занимающееся разработкой вычислительных систем шестого поколения
Нейрокомпьютинг - это научное направление, занимающееся разработкой вычислительных систем шестого поколения
В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран.
Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд интеллектуальных задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д.
Нейрокомпьютеры отличаются от ЭВМ предыдущихи поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи.
Обучение - корректировка весов связей, в результате которой каждое входное воздействие приводит к формированию соответствующего выходного сигнала. После обучения сеть может применять полученные навыки к новым входным сигналам. При переходе от программирования к обучению повышается эффективность решения интеллектуальных задач.
ВВЕДЕНИЕ
Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967), а
Первыми нейрокомпьютерами были перцептроны Розенблатта: Марк-1 (1958) и Тобермори (1961—1967), а
ИСТОРИЯ
ОСНОВНАЯ ИДЕЯ
В отличие от цифровых систем, представляющих собой комбинации процессорных и
ОСНОВНАЯ ИДЕЯ
В отличие от цифровых систем, представляющих собой комбинации процессорных и
Три основных преимущества нейрокомпьютеров:
Все алгоритмы нейроинформатики высокопараллельны, а это уже залог высокого быстродействия;
Нейросистемы можно легко сделать очень устойчивыми к помехам и разрушениям;
Устойчивые и надёжные нейросистемы могут создаваться и из ненадёжных элементов, имеющих значительный разброс параметров.
Разработчики нейрокомпьютеров стремятся объединить устойчивость, быстродействие и параллелизм АВМ — аналоговых вычислительных машин — с универсальностью современных компьютеров.
НЕЙРОННЫЕ СЕТИ
В основу искусственных нейронных сетей положены следующие черты живых нейронных
НЕЙРОННЫЕ СЕТИ
В основу искусственных нейронных сетей положены следующие черты живых нейронных
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.
Прототипом для создания нейрона послужил биологический нейрон головного мозга. Биологический нейрон имеет тело, совокупность отростков - дендридов, по которым в нейрон поступают входные сигналы, и отросток - аксон, передающий выходной сигнал нейрона другим клеткам. Точка соединения дендрида и аксона называется синапсом. Упрощенно функционирование нейрона можно представить следующим образом:
Нейрон получает от дендридов набор (вектор) входных сигналов;
В теле нейрона оценивается суммарное значение входных сигналов;
Нейрон формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Если оно не превышает некоторого заданного порога, то выходной сигнал не формируется вовсе - нейрон "не срабатывает";
Выходной сигнал поступает на аксон и передается дендридам других нейронов.
ИСКУСТВЕННЫЙ НЕЙРОН
Поведение искусственной нейронной сети зависит как от значения весовых параметров,
ИСКУСТВЕННЫЙ НЕЙРОН
Поведение искусственной нейронной сети зависит как от значения весовых параметров,
Пороговая;
Линейная;
Сигмоидальная.
Для пороговых элементов выход устанавливается на одном из двух уровней в зависимости от того, больше или меньше суммарный сигнал на входе нейрона некоторого порогового значения. Для линейных элементов выходная активность пропорциональна суммарному взвешенному входу нейрона.
МОДЕЛЬ МАККАЛОХА
Теоретические основы нейроматематики были заложены в начале 40-х годов. В
МОДЕЛЬ МАККАЛОХА
Теоретические основы нейроматематики были заложены в начале 40-х годов. В
Разработана модель нейрона как простейшего процессорного элемента, выполняющего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов;
Предложена конструкция сети таких элементов для выполнения логических и арифметических операций;
Сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию.
Несмотря на то, что за прошедшие годы нейроматематика ушла далеко вперед,
Несмотря на то, что за прошедшие годы нейроматематика ушла далеко вперед,
Пороговый вид функции не предоставляет нейронной сети достаточную гибкость при обучении и настройке на заданную задачу. Если значение вычисленного скалярного произведения, даже незначительно, не достигает до заданного порога, то выходной сигнал не формируется вовсе и нейрон "не срабатывает". Это значит, что теряется интенсивность выходного сигнала (аксона) данного нейрона и, следовательно, формируется невысокое значение уровня на взвешенных входах в следующем слое нейронов.
МОДЕЛЬ РОЗЕНБЛАТА
Серьезное развитие нейрокибернетика получила в работах американского нейрофизиолога Френсиса Розенблата
МОДЕЛЬ РОЗЕНБЛАТА
Серьезное развитие нейрокибернетика получила в работах американского нейрофизиолога Френсиса Розенблата
Алгоритм обучения перцептрона выглядит следующим образом:
Системе предъявляется эталонный образ;
Если
Алгоритм обучения перцептрона выглядит следующим образом:
Системе предъявляется эталонный образ;
Если
Если выходы срабатывают неправильно, весовым коэффициентам дается небольшое приращение в сторону повышения качества распознавания.
Серьезным недостатком перцептрона является то, что не всегда существует такая комбинация весовых коэффициентов, при которой имеющееся множество образов будет распознаваться данным перцептроном. Причина этого недостатка состоит в том, что лишь небольшое количество задач предполагает, что линия, разделяющая эталоны, будет прямой. Обычно это достаточно сложная кривая, замкнутая или разомкнутая. Если учесть, что однослойный перцептрон реализует только линейную разделяющую поверхность, применение его там, где требуется нелинейная, приводит к неверному распознаванию (эта проблема называется линейной неразделимостью пространства признаков). Выходом из этого положения является использование многослойного перцептрона, способного строить ломаную границу между распознаваемыми образами.
Описанная проблема не является единственной трудностью, возникающей при работе с перцептронами - также слабо формализовани метод обучения перцептрона.
МОДЕЛЬ ХОПФИЛДА
В 70-е годы интерес к нейронным сетям значительно упал, однако
МОДЕЛЬ ХОПФИЛДА
В 70-е годы интерес к нейронным сетям значительно упал, однако
Автором когнитрона является японский ученый И. Фукушима.
Новый виток быстрого развития моделей нейронных сетей, который начался лет 15 тому назад, связан с работами Амари, Андерсона, Карпентера, Кохонена и других, и в особенности, Хопфилда, а также под влиянием обещающих успехов оптических технологий и зрелой фазы развития СБИС для реализации новых архитектур.
Начало современному математическому моделированию нейронных вычислений было положено работами Хопфилда в 1982 году, в которых была сформулирована математическая модель ассоциативной памяти на нейронной сети.
Показано, что для однослойной нейронной сети со связями типа "все на всех" характерна сходимость к одной из конечного множества равновесных точек, которые являются локальными минимумами функции энергии, содержащей в себе всю структуру взаимосвязей в сети. Привлекательность подхода Хопфилда состоит в том, что нейронная сеть для конкретной задачи может быть запрограммирована без обучающих итераций. Веса связей вычисляются на основании вида функции энергии, сконструированной для этой задачи.
Развитием модели Хопфилда для решения комбинаторных оптимизационных задач и задач искусственного
Развитием модели Хопфилда для решения комбинаторных оптимизационных задач и задач искусственного
МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ
Способом обратного распространения называется способ обучения многослойных нейронных сетей
МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ
Способом обратного распространения называется способ обучения многослойных нейронных сетей
Еще в 1974 году Поль Дж. Вербос изобрел значительно более эффективную
Еще в 1974 году Поль Дж. Вербос изобрел значительно более эффективную
ЗАДАЧИ, РЕШАЕМЫЕ НА ОСНОВЕ НС
В литературе встречается значительное число признаков, которыми
ЗАДАЧИ, РЕШАЕМЫЕ НА ОСНОВЕ НС
В литературе встречается значительное число признаков, которыми
Отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров;
Проблема характеризуется большими объемами входной информации;
Данные неполны или избыточны, зашумлены, частично противоречивы.
Таким образом, НС хорошо подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования. Ниже приведен перечень возможных промышленных применений нейронных сетей.
Банки и страховые компании:
Автоматическое считывание чеков и финансовых документов;
Проверка достоверности подписей;
Оценка риска для займов;
Прогнозирование изменений экономических показателей.
Административное обслуживание:
Автоматическое считывание документов;
Автоматическое распознавание штриховых кодов.
Нефтяная и химическая промышленность:
Анализ геологической информации;
Идентификация неисправностей оборудования;
Разведка
Нефтяная и химическая промышленность:
Анализ геологической информации;
Идентификация неисправностей оборудования;
Разведка
Анализ составов примесей;
Управление процессами.
Военная промышленность и аэронавтика:
Обработка звуковых сигналов;
Обработка радарных сигналов;
Обработка инфракрасных сигналов;
Обобщение информации;
Автоматическое пилотирование.
Промышленное производство:
Управление манипуляторами;
Управление качеством;
Управление процессами;
Обнаружение неисправностей;
Адаптивная робототехника;
Управление голосом.