UkrReferat.com
найбільша колекція україномовних рефератів

Всього в базі: 75834
останнє поновлення: 2016-11-29
за 7 днів додано 10

Реферати на українській
Реферати на російській
Українські підручники

$ Робота на замовлення
Реклама на сайті
Зворотній зв'язок

 

ПОШУК:   

реферати, курсові, дипломні:

Українські рефератиРусские рефератыКниги
НазваПроблематика і класифікаційний аналіз штучних нейронних мереж (реферат)
АвторPetya
РозділІнформатика, компютерні науки
ФорматWord Doc
Тип документуРеферат
Продивилось1672
Скачало313
Опис
ЗАКАЧКА
Замовити оригінальну роботу

Реферат на тему:

 

Проблематика і класифікаційний аналіз штучних нейронних мереж

 

В останнє десятиліття спостерігається бурхливий розвиток нейромережних

технологій в різних галузях людської діяльності.

 

Штучні нейронні мережі (ШНМ) ( це паралельні мережі простих нейронних

елементів (вузлів), де кожний вузол виконує операцію типу додавання

зважених входів із наступним їх посиленням. Класифікаційний аналіз

нейронних мереж поданий на рис. 1. Слід зазначити, що структура

будь-якої ШНМ, може розглядатись як направлений граф з обґрунтованими

зв'язками, в якому штучні нейрони є вузлами. За архітектурою зв'язків

ШНМ можуть бути згруповані у два класи: мережі прямого поширення, в яких

графи не мають петель, і рекурентні мережі, або мережі зі зворотними

зв'язками.

 

Мережі прямого поширення є статичними, оскільки на задане вхідне діяння

вони виробляють одну сукупність вихідних значень, які не залежать від

попереднього стану мережі. Рекурентні мережі є динамічними, бо в силу

зворотних зв'язків у них модифікуються входи нейронів, що суттєво

змінюють стан мережі.

 

Мережі, які використовують радіальні базисні функції (RBF-мережі) [1], є

окремим випадком двошарової мережі прямого поширення. Кожний елемент

прихованого прошарку використовує як активаційну функцію радіальну

базисну функцію типу гауссової. Радіальна базисна функція (функція ядра)

центрується в точці, яка визначається ваговим вектором, пов'язаним із

нейроном. Як позиція, так і ширина функції ядра, повинні бути навчені за

вибірковими зразками. Звичайно ядер набагато менше, ніж навчальних

прикладів. Кожний вихідний елемент обчислює лінійну комбінацію цих

радіальних базисних функцій.

 

Карти Кохонена [2], що самоорганізуються (SOM), мають сприятливу

властивість зберігання топології, яка відтворює важливий аспект карт

ознак у корі головного мозку високоорганізованих тварин. У відображенні

зі зберіганням топології близькі вхідні приклади збуджують близькі

вихідні елементи. За суттю мережі SOM Кохонена являють собою двовимірний

масив елементів, причому, кожний елемент пов'язаний з усіма n вхідними

вузлами. Така мережа є спеціальним випадком мережі, яка навчається

методом змагання, і в якій визначається просторове оточення для кожного

вихідного елементу.

 

Дилема стабільності(пластичності є важливою особливістю навчання методом

змагання. Як навчати новим явищам (пластичність) і в той же час зберегти

стабільність, щоб існуючі знання не були стерті або зруйновані?

Карпентер і Гроссберг, які розробили моделі теорії адаптивного резонансу

(ART1, ART2 і ARTMAP) [3], зробили спробу вирішити цю дилему. Мережа має

достатню кількість вихідних елементів, але вони не використовуються

доти, поки не виникне в цьому потреба. Вважається, що елемент

розподілений (не розподілений), якщо він використовується (не

використовується). Навчальний алгоритм коригує наявний прототип

категорії, тільки якщо вхідний вектор у достатньому ступені йому

подібний.

 

Хопфілд використовував функцію енергії як інструмент для побудови

рекурентних мереж і для розуміння їх динаміки [4]. Формалізація Хопфілда

-----> Page:

0 [1] [2]

ЗАМОВИТИ ОРИГІНАЛЬНУ РОБОТУ