Модели искусственных нейронных сетей
Исследование принципов организации нейроподобных сетей для решения задач искусственного интеллекта. Анализ архитектуры ассоциативно-проективной нейронной сетевой системы. Характеристика процедуры выбора части нейронов для передачи на верхний уровень.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | лекция |
| Язык | русский |
| Дата добавления | 13.09.2017 |
| Размер файла | 20,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Лекция
Модели искусственных нейронных сетей
1. Принципы организации нейроподобных сетей для решения задач искусственного интеллекта
В настоящее время имеется большое разнообразие алгоритмов функционирования и архитектур НС, которые применяются для решения задач распознавания образов, построения ассоциативной памяти, логического вывода и т.д. Чтобы нейронная сеть могла решать одновременно широкий класс задач искусственного интеллекта, ее необходимо строить с учетом следующих принципов.
1. Принцип предорганизации и обучения.
Решить сложные задачи ИИ за счет одного только обучения невозможно. Необходимо, чтобы исходная структура НС была предварительно организована. Для этого необходимо иметь достаточно развитые инструментальные средства, позволяющие формировать структуру нейронной сети до начала ее обучения.
2. Принцип построения архитектуры НС на стандартизованных функциональных блоках.
Для решения задач ИИ необходимо строить нейронные сети, имеющие большое количество нейронов (не менее нескольких тысяч), поэтому базовыми элементами для инструментальных средств предварительной организации НС должны быть крупные функциональные блоки. Внутренняя организация и свойства этих блоков должны быть определены заранее.
3. Принцип иерархической организации НС.
Использование иерархических структур, которые позволяют сроить модели сложных объектов из более простых.
4. Принцип целостности и дробимости информационных элементов.
Работа иерархической структуры требует, чтобы информационный элемент в каждом иерархическом уровне вел себя как единое целое. Но при переходе с уровня на уровень допускал дробление. Причем при переходе с верхнего иерархического уровня на нижний дробление соответствует выделению соответствующих его элементов, а при переходе с нижнего уровня на верхний - включению определенной части этого элемента в более сложный объект (рис. 6.1).
2. Архитектура ассоциативно-проективных нейронных сетей
Основной структурной единицей ассоциативно-проективной нейронной сети (АПНС) является нейронное поле. Нейронное поле (НП) - это подмножество нейронов, выполняющих одну и ту же функцию. У нейронов одного нейронного поля связи между собой и с нейронами других полей формируются по общим правилам для всех нейронов поля. Различают три нейронных поля: сеть нейронный искусственный интеллект
ассоциативное (А),
буферное (B),
разностное (D).
Ассоциативное НП предназначено для формирования нейронных ансамблей в режиме обучения нейронной сети и для ассоциативного восстановления нейронных ансамблей в рабочем режиме.
Буферное НП предназначено для сбора информации, временного хранения и нормирования размеров нейронных ансамблей.
Разностное НП предназначено для определения различия двух возбужденных нейронных ансамблей.
Любое нейронное поле может иметь счетчик (Ct) - специальное устройство, определяющее количество возбужденных нейронов в этом поле.
Нейронным ансамблем (НА) называется подмножество нейронов, связанных взаимными возбуждающими связями. Нейронный ансамбль является основным информационным элементом всех иерархических уровней НС. Нейронный ансамбль формируется из совокупности элементов более низких иерархических уровней.
Пусть необходимо построить описание объекта “дерево”, состоящего из ствола, ветвей и листьев (рис. 6.2). Каждый из признаков, описывающих части объекта (цвет, форма, …) , в ассоциативном поле НС нижнего уровня закодирован в виде подмножества нейронов, из которых сформирован соответствующий НА. Тогда на следующем иерархическом уровне могут быть сформированы нейронные ансамбли, соответствующие листьям, стволу, ветвям. Для того чтобы размеры ансамбля на верхнем уровне не были слишком большими, в ансамбль верхнего уровня попадает только часть нейронов из ансамбля низшего уровня.
Процедуру выбора части нейронов для передачи на верхний уровень называют нормированием нейронного ансамбля.
Существуют три типа связи между нейронами в ассоциативно-проективной НС.
1. Ассоциативные связи.
2. Проективные связи (Р).
Для описания проективных нейронных связей используются выражения:
AiPkBj, Pk=P(xl,ym,u),
где xlAi, ymBj, u - символ, определяющий знак связи
.
Проективные связи могут быть включены или выключены специальным устройством управления проективными связями. Сигналы по связям передаются только в том случае, если они включены.
3. Рецептивные связи (F).
Размещено на http://www.allbest.ru/
Подмножество нейронов поля Bi, связанных с одним нейроном поля Bi+1, называют рецептивным полем этого нейрона. Чтобы задать правила формирования рецептивных связей, необходимо каким-либо конструктивным образом определить рецептивное поле и указать порог срабатывания нейрона, к которому относится рецептивное поле.
Рецептивные нейронные связи описываются выражением:
BiFkBj(), Fk=F({xlm}yrs, u),
где - порог срабатывания нейронов поля Bi, {xlm} Bi, yrs Bj, u-символ, определяющий вид связи.
3. Пример применения ассоциативно-проективных нейронных сетей в задачах распознавания образов
Рассмотрим пример построения ассоциативно-проективной нейронной сети для решения задачи распознавания формы объекта, в частности для выделения впадин на изображении.
Пусть изображение фигуры сканируется окружностью определенного радиуса, что соответствует работе рецептивных связей (рис. 6.6).
Архитектура сети для выделения впадин на изображении (рис.6.7) описывается следующим образом:
В структуру включены два счетчика, которые подсчитывают количество единиц в разностном поле D1 и в буферном поле B3.
Будем считать, что каждая точка изображения соответствует одному нейрону некоторого буферного поля B1. По проективным связям, идущим от сетчатки, все нейроны соответствующие распознаваемой фигуре, оказываются возбужденными.
Размещено на Allbest.ru
...Подобные документы
Преимущества нейронных сетей. Модели нейронов, представляющих собой единицу обработки информации в нейронной сети. Ее представление с помощью направленных графов. Понятие обратной связи (feedback). Основная задача и значение искусственного интеллекта.
реферат [1,2 M], добавлен 24.05.2015Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов.
реферат [347,6 K], добавлен 17.12.2011Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.
лабораторная работа [1,1 M], добавлен 05.10.2010Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.
презентация [3,0 M], добавлен 28.05.2015Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
реферат [158,2 K], добавлен 16.03.2011Способы применения нейронных сетей для решения различных математических и логических задач. Принципы архитектуры их построения и цели работы программных комплексов. Основные достоинства и недостатки каждой из них. Пример рекуррентной сети Элмана.
курсовая работа [377,4 K], добавлен 26.02.2015Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.
реферат [162,9 K], добавлен 30.09.2013Эффективность применения нейронных сетей при выборе модели телефона. История искусственного интеллекта. Сущность нейросетевых технологий, обучение нейросимулятора. Пример выбора по определенным параметрам модели сотового телефона с помощью персептрона.
презентация [93,8 K], добавлен 14.08.2013История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера.
реферат [45,1 K], добавлен 20.11.2009Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017Технологии решения задач с использованием нейронных сетей в пакетах расширения Neural Networks Toolbox и Simulink. Создание этого вида сети, анализ сценария формирования и степени достоверности результатов вычислений на тестовом массиве входных векторов.
лабораторная работа [352,2 K], добавлен 20.05.2013Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.
дипломная работа [814,6 K], добавлен 29.09.2014Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.
презентация [1,4 M], добавлен 14.10.2013Определение и виды модели, ее отличие от понятия моделирования. Формула искусственного нейрона. Структура передачи сигнала между нейронами. Способность искусственных нейронных сетей к обучению и переобучению. Особенности их применения в финансовой сфере.
реферат [136,2 K], добавлен 25.04.2016Исследование эффективности применения нейронных сетей в рамках отношений между людьми. Принцип работы с нейросимулятором. Составление обучающей выборки и проектирование персептронов. Анализ выбора супружеской пары с использованием нейросетевых технологий.
презентация [150,8 K], добавлен 19.08.2013Нейрокомпьютеры и их применение в современном обществе. Некоторые характеризующие нейрокомпьютеры свойства. Задачи, решаемые с помощью нейрокомпьютеров. Типы искусственных нейронов. Классификация искусственных нейронных сетей, их достоинства и недостатки.
курсовая работа [835,9 K], добавлен 17.06.2014Обзор образовательных стандартов педагогического образования в области искусственного интеллекта. Построение модели предметной области в виде семантических сетей. Характеристика проблемного обучения. Основные средства языка программирования Пролог.
дипломная работа [387,8 K], добавлен 01.10.2013Виды сделок на рынке драгоценных металлов. Основы нейросетей и нейросетевого моделирования. Проектирование и разработка приложения с использованием искусственного интеллекта для решения задач по прогнозированию цен на рынке драгоценных металлов.
дипломная работа [3,6 M], добавлен 30.06.2012
