Содержание
- 2. Теория нейронных сетей: предмет Хорошо известно, что человеческий мозг по своим возможностям далеко превосходит обычные компьютеры
- 3. Cтроение биологического нейрона Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами.
- 4. Биологический прототип: нейронные структуры мозга Мозг – сложная, многоуровневая, иерархически организованная адаптивная система, состоящая из большого
- 5. Нейроны мозга Клетка Гольджи мозжечка Импульс нейронной активности
- 6. Биологический нейрон
- 7. Типы нейронов a) b) c) Клетка Пуркинье в мозжечке.( Полная высота клетки с дендритным деревом составляет
- 8. Нейроны зрительной коры мозга Пирамидальные нейроны первичной зрительной коры обезьяны (использована окраска по Гольджи, при которой
- 9. Типы синапсов
- 10. Нейроны в состоянии возбуждения . Активность пирамидального нейрона зрительной коры кошки, записанная с помощью внутриклеточного электрода
- 11. Биологический нейрон Передача импульса Дендриты Например, могут быть присоединены к рецепторам Аксон Может быть присоединен к
- 12. Биологические нейронные сети 1872-1895 гг. Понятие нейрона и нейронной сети; Первые предположения о принципе работы;
- 13. Нейронная сеть Нейрон и его структура Мозг человека состоит из 100000000000 нейронов
- 14. Нейронная сеть Совокупность соединенных между собой нейронов; Сеть осуществляет преобразование входного сигнала с рецепторов в выходной,
- 15. Нейровычислительная архитектура Для повышения производительности ЭВМ необходимо перейти от принципов фон-Неймана к параллельной обработке информации. Тем
- 16. Нейронные сети Предпосылка: Известно, что биологические системы (люди, животные) прекрасно справляются со сложными задачами распознавания образов;
- 17. Искусственные нейронные сети Искусственная нейронная сеть – массивный параллельный распределенный процессор, в котором заложены возможности для
- 18. Примеры сетей Искусственная нейронная сеть
- 19. Применение нейронных сетей
- 20. Области применения Распознавание образов Оценка кредитного риска Прогнозирование финансовых потоков и объемов продаж Маркетинговые исследования Медицинская
- 21. Пример применения: прогнозирование цен на нефть Временной ряд имеет значительную хаотическую составляющую, что не позволяет выделить
- 22. Пример применения: результаты прогнозирования Построен прогноз на 30 дней вперед по 90 предыдущим наблюдениям Максимальная ошибка
- 23. Решаемые задачи Задачи, успешно решаемые НС на данном этапе их развития: формирование моделей и различных нелинейных
- 24. Задачи, решаемые с помощью ИНС
- 25. Преимущества нейронных сетей Предлагают стандартные способы решения многих нестандартных задач. Явное описание модели заменяется созданием «образовательной
- 26. Преимущества нейронных сетей Кроме этого, применение НС обеспечивает следующие полезные свойства: 1. Способность к обобщению. Под
- 27. Структура и свойства искусственного нейрона Нейрон состоит из элементов трех типов: умножителей (синапсов), сумматора и нелинейного
- 28. Основные понятия Рисунок 1. Математическая модель нейрона X –Входы, группа синапсов W-Вес синаптической связи S -Текущее
- 29. Нейронный элемент
- 30. Математическая модель нейрона Синапсы дендритов имеют веса w1, w2, w3. К синапсам поступают импульсы силы x1,
- 31. Модель кибернетического нейрона McCulloch, W. and Pitts, W. (1943) Входной сигнал Синаптические веса Блок суммирования Блок
- 32. Формальный нейрон МакКаллока и Питтса . Модель не учитывает многих особенностей работы реальных нейронов ( импульсного
- 33. Структура и свойства искусственного нейрона Нейрон реализует скалярную функцию векторного аргумента Математическая модель нейрона: y =
- 34. Персептрон Розенблата Модель алгоритма Входной сигнал Слой нейронов Функция преобразования - линейная Порог Выходной сигнал Кибернетический
- 35. Виды функций активации
- 36. Виды функций активации
- 37. Примеры активационных функций Сигмоидальная логистическая функция В качестве «сжимающей» функции часто используется логистическая или «сигмоидальная» (S-образная)
- 38. Синтез нейронных сетей В зависимости от функций, выполняемых нейронами в сети, можно выделить три типа нейронов:
- 39. Топологии различных архитектур НС: а – полносвязная сеть; б– многослойная (слоистая) сеть; в – слабосвязные сети
- 40. Однослойные искусственные нейронные сети Каждый элемент из множества входов Х отдельным весом соединен с каждым искусственным
- 41. Многослойные искусственные нейронные сети Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными
- 42. Многослойная нейронная сеть с одним скрытым слоем
- 43. Обобщенная структура многослойной сигмоидальной НС
- 44. Схема реализации основных этапов построения ИНС
- 45. Как построить нейронную сеть 2 этапа: Выбор типа (архитектуры) нейронной сети. какие нейроны мы хотим использовать
- 46. Выбор количества нейронов и слоев Количество нейронов и слоев связано: 1) со сложностью задачи; 2) с
- 47. Подготовка входных и выходных данных Данные, подаваемые на вход сети и снимаемые с выхода, должны быть
- 48. Обучение сети Процесс функционирования НС зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей
- 49. Обучение сети Алгоритмы обучения делятся на два больших класса: детерминистские и стохастические. В первом из них
- 50. Обучение нейронной сети
- 51. Обучение сети–метод “обратное распространение ошибки” 1. Входной набор данных, на котором сеть должна быть обучена, подается
- 53. Скачать презентацию