Теоретические основы построения нейронных сетей
Изучение механизмов функционирования отдельных нейронов и их наиболее важного взаимодействия, для познания процессов поиска, передачи и обработки информации, происходящей в нейронной сети. Синапс как структура и функциональный узел между двумя нейронами.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 09.06.2021 |
| Размер файла | 883,0 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/
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ НЕЙРОННЫХ СЕТЕЙ
Юнусова Л.Р., Магсумова А.Р.
Юнусова Лилия Рафиковна - магистрант;
Магсумова Алия Рафиковна - магистрант, направление: информатика и вычислительная техника, магистерская программа: технология разработки программного обеспечения, кафедра информационных систем, отделение информационных технологий и энергетических систем, Высшая инженерная школа Набережно-челнинский институт Казанский федеральный университет, г. Набережные Челны
Аннотация
В статье рассматривается понятие нейронных сетей, производится реальное сравнение с биологической стороны, и описывается структура.
Ключевые слова: нейросети, математика, веса, коэффициенты.
Искусственное содержание нейронных сетей включает междисциплинарную область знаний, связанную с устранением биокибернетики, электроники, прикладной математики, статистики, автоматизации и даже медицины [1]. Искусственные нейронные сети передовые знания о функционировании нервной системы живых существ. Они пытались использовать процессы, происходящие в нервной системе, для разработки новых технологических решений.
Клеточный нерв, сокращенно называемый нейронами, является главной особенностью нервной системы. Изучение механизмов функционирования отдельных нейронов и их наиболее важного взаимодействия, в основном для познания процессов поиска, передачи и обработки информации, происходящей в нервной системе. С этой точки зрения представляется необходимым создать и изучить модель биологии нейронов.
Рис. 1.1. Взаимосвязь биологических нейронов
Особые нейроны клеточной биологии - это информационные процессы (рис.1.1) [2]. Он состоит из тела (сома) и обрабатывает нервные волокна двух типов - дендриты, по которым принимаются импульсы, и только аксон, по которому нейроны могут быть переданы в импульс. Тело нейронов включает в себя ядро, содержащее информацию о наследственных свойствах и плазме, которая является молекулярным средством для производства необходимых нейронных материалов. Нейроны, которые получают сигналы от других аксонов, имеют нейроны через дендриты и передают симптомы, генерируемые клеточным телом вдоль своего аксона, который в конечном итоге разветвляется в волокна. На концах специальных образовательных волокон - синапсы, которые влияют на размер импульсов.
Синапс - это элементарная структура и функциональный узел между двумя нейронами (волокно одного аксона, нейроны и другой дендрит). Когда удар достигает конца синаптики, высвобождаются нейротрансмиттеры, называемые химическими веществами. Нейротрансмиттеры распространяются через синаптическую щель, возбуждая или ослабляя, в зависимости от типа синапса, нейроны, которые приобретают способность генерировать электрические импульсы. Эффективность передачи импульсов в синапсе может контролироваться проходящими через него знаками, так что синапсы можно тренировать в зависимости от активности связанных процессов. Зависимость от предыстории действий как памяти может быть ответственна за человеческую память. Важно отметить, что веса синапсов могут меняться со временем, что означает, что поведение соответствующих нейронов также изменяется.
Другим важным аспектом нервной системы является высокая скорость их выполнения, несмотря на относительно длинный цикл каждой отдельной клетки, измеряемый в миллисекундах. Это достигается путем параллельной обработки информации в мозге большим количеством нейронов, связанных многими и межнейронными связями. Такие операции, как рисунок и звук, определяются или определяются как выполняемые человеческим мозгом в миллисекундах.
Структура искусственного нейрона и его свойства
Нейроны являются неотъемлемой частью нейронной сети. На рисунке 1.2 показана искусственная структура нейронов. Он состоит из трех элементов [1,2,3]: множители (синапсы), сумматор и нелинейный преобразователь. Синапсы завершают связь между нейронами, умножая входной сигнал на наиболее значимое число силы связи (вес синапса). Сумматор также производит знаки, поступающие от синаптических связей от других нейронов и внешних входных сигналов. Нелинейный преобразователь предлагает нелинейную функцию с единственным аргументом - выводом сумматора. Эта функция называется функцией активации или функцией передачи нейронов.
Рис. 1.2. Функциональная схема искусственного нейрона
Математическая модель искусственного нейрона выглядит следующим образом [1 - 6] п
где у - выходной сигнал нейрона; f(s) - функция активации; х;- входной сигнал нейрона, і = 1... и; w; - вес синаптической связи; b - значение смещения.
Описывает вычислительный элемент, который можно считать упрощенной моделью биологических нейронов. Чтобы подчеркнуть разницу между биологическими и искусственными нейронами, последний иногда называют нейроноподобными элементами или формальными нейронами. Нелинейный преобразователь соответствует входному сигналу f (s) с выходным сигналом f (s), который является выходом нейронов у. Выбор веса коэффициентов w_i и функции активации f (s) позволяют достичь этого или централизованно с помощью функции нейронов. Наиболее широко используемые функции активации перечислены в таблице 1.1 [2,7].
Таблица 1.1. Основные функции активации искусственных нейронов
нейрон информация синапс сеть
В целом, входной сигнал, весовые коэффициенты и смещение могут принимать допустимые значения, а во многих практических задачах только некоторые фиксированные значения. Выход y определяет тип функции активации и может иметь значение true или int.
Синаптические связи с положительными весами называются возбуждающими, с отрицательным профилактическим весом.
Список литературы
1. Борисов Е. С. Основные модели и методы теории искусственных нейронных сетей, 2005 г. С.35-47.
2. Бенджио, Гудфеллоу, Курвилль: Глубокое обучение. Издательство: ДМК-Пресс, 2018 г. С.492-568.
3. Осовский С. Нейронные сети для обработки информации, 2002г, С. 128-264.
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 17.12.2011Общие 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 29.09.2014Определение 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 25.04.2016Понятие 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 05.10.2010Математические 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 03.03.2015Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Преимущества и недостатки нейронных сетей с радиальными базисными функциями (РБФ). Функции newrbe и newrb для построения РБФ общего вида и автоматической настройки весов и смещений. Пример построения нейронной сети с РБФ в математической среде Matlab.
лабораторная работа [238,7 K], добавлен 05.10.2010Сущность, структура, алгоритм функционирования самообучающихся карт. Начальная инициализация и обучение карты. Сущность и задачи кластеризации. Создание нейронной сети со слоем Кохонена при помощи встроенной в среды Matlab. Отличия сети Кохонена от SOM.
лабораторная работа [36,1 K], добавлен 05.10.2010Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Простейшая 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 30.09.2013Применение нейрокомпьютеров на российском финансовом рынке. Прогнозирование временных рядов на основе нейросетевых методов обработки. Определение курсов облигаций и акций предприятий. Применение нейронных сетей к задачам анализа биржевой деятельности.
курсовая работа [527,2 K], добавлен 28.05.2009Рассмотрение способов применения и основных понятий нейронных сетей. Проектирование функциональной структуры автоматизированной системы построения нейросети обратного распространения ошибки, ее классов и интерфейсов. Описание периода "бета тестирования".
дипломная работа [3,0 M], добавлен 02.03.2010Изучение понятия локальной вычислительной сети, назначения и классификации компьютерных сетей. Исследование процесса передачи данных, способов передачи цифровой информации. Анализ основных форм взаимодействия абонентских ЭВМ, управления звеньями данных.
контрольная работа [37,0 K], добавлен 23.09.2011Роль компьютерных сетей, принципы их построения. Системы построения сети Token Ring. Протоколы передачи информации, используемые топологии. Способы передачи данных, средства связи в сети. Программное обеспечение, технология развертывания и монтажа.
курсовая работа [279,7 K], добавлен 11.10.2013Построение векторной модели нейронной сети. Проектирование и разработка поискового механизма, реализующего поиск в полнотекстовой базе данных средствами нейронных сетей Кохонена с применением модифицированного алгоритма расширяющегося нейронного газа.
курсовая работа [949,0 K], добавлен 18.07.2014Пути поиска и обработки информации в современном мире, оценка преимуществ Всемирной сети в данном процессе. Сайты, распространенные в российском сегменте Интернета, которые наиболее часто используются пользователями для поиска необходимой информации.
эссе [13,2 K], добавлен 11.10.2014Способы 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 26.02.2015
