Применение нейронных сетей в телекоммуникационных системах - Дипломная работа

УЗБЕКСКОЕ АГЕНТСТВО СВЯЗИ И ИНФОРМАТИЗАЦИИ ТАШКЕНТСКИЙ УНИВЕРСИТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙОсновные перспективы использования этой теории связаны с решением сложных практических задач. Интерес к нейронным сетям как к моделям биологической обработки информации не угасает более 30 лет. Начало современным моделям НС было положено в работе У. Эти авторы сделали первую попытку эмулировать человеческие способности, классифицировать и распознавать образы. Дальнейшее развитие связано с работой Ф. Розенблатта.Однако человек может без усилий решать сложные задачи восприятия внешних данных (например, узнавать в толпе знакомого только по его промелькнувшему лицу) с такой скоростью и точностью, что самый мощный в мире компьютер по сравнению с ним окажется безнадежным тугодумом. Причина столь значительного различия в их производительности заключена в том, что архитектура биологической нейронной системы совершенно не похожа на архитектуру машины фон Неймана (табл. При этом число нейронов в слоях выбирается исходя из необходимости обеспечения заданного качества решения задачи, а число слоев нейронов - как можно меньшее для сокращения времени решения задачи. Нервная система человека, построенная из элементов, называемых нейронами, очень сложна. Если же активационная функция зависит еще от одного или нескольких параметров, значения которых меняются от нейрона к нейрону, то сеть называют неоднородной (гетерогенной).Хотя один нейрон и способен выполнять простейшие процедуры распознавания, сила нейронных вычислений проистекает от соединений нейронов в сетях. Для решения некоторых отдельных типов задач уже существуют оптимальные, на сегодняшний день, конфигурации, описанные, например, в и других изданиях. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев; введение обратных связей наряду с увеличением возможностей сети поднимает вопрос о динамической устойчивости сети; сложность алгоритмов функционирования сети (в том числе, например, введение нескольких типов синапсов - возбуждающих, тормозящих и др.) также способствует усилению мощи НС. Вопрос о необходимых и достаточных свойствах сети для решения того или иного рода задач представляет собой целое направление нейрокомпьютерной науки. Единственное жесткое требование, предъявляемое архитектурой к элементам сети, это соответствие размерности вектора входных сигналов сети числу ее входов.Когда идет разговор об использовании НС и нейросстевых алгоритмов, почти всегда подразумеваются определенные процедуры их обучения. НС представляет собой адаптивную систему, жизненный цикл которой состоит из двух независимых фаз - обучения и работы сети. Обучение считается законченным, когда сеть правильно выполняет преобразование на тестовых примерах и дальнейшее обучение не вызывает значительного изменения настраиваемых весовых коэффициентов. Сеть успешно работает до тех пор, пока существенно не изменится реальная модель отображаемого явления (например, в случае возникновения ситуации, информация о которой никогда ни предъявлялась сети при обучении). После этого сеть может быть до обучена с учетом новой информации, причем при до обучении предыдущая информация не теряется, а обобщается с вновь поступившей.Основными выводами первого раздела работы являются: - показана значимость теории нейронных в современных вычислительных системах и сетях;В историческом плане можно утверждать, что разработка систем управления (СУ) всегда происходит поэтапно. Одной из классических моделей СУ является модель с обратной связью с регулируемыми в реальном масштабе времени коэффициентами, например самонастраивающийся регулятор Астрома . Возможность использования НС для решения задач управления во многом основывается на том, что НС, состоящая из двух слоев и имеющая в скрытом слое произвольное большое количество узлов, может аппроксимировать любую функцию действительных чисел с заданной степенью точности. Таким образом, для решения задач идентификации и управления могут быть использованы НС даже с одним скрытым слоем. Однако, во-первых, существующий контроллер может быть неудобен при использовании (например, в роли такого контроллера может выступать человек), а во-вторых, для выработки эффективного управления НС может использовать отличную, от существующего контроллера, по способу представления (легче измерить, формализовать и т. д.) информацию о состоянии объекта управления.Длительное время считалось, что нейрокомпьютеры эффективны и применимы лишь для решения так называемых пеформализуемых и плохо формализуемых задач, связанных с необходимостью включения в алгоритм их решения данных обучения на реальном экспериментальном материале. В первую очередь к таким задачам относятся задачи распознавания образов. В последнее время область применения нейроинформационных технологий динамично расширяется.

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1.АНАЛИЗ МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ

1.1 Классификация нейронных сетей

1.2 Структура и принцип работы НС

1.3 Методы обучения НС

Выводы по разделу первого

2. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМАХ

2.1 Особенность использования НС в системах управления

2.2 Применение нейронных сетей в телекоммуникационных системах

2.3 Нейронные сети для решения задач маршрутизации

Выводы по разделу второго

3. ПРОГНОЗИРОВАНИЕ ПОТОКОВ ДАННЫХ НА ОСНОВЕ НЕЧЕТКО-НЕЙРОННЫХ СЕТЕЙ

3.1 Система нейрон-нечеткого вывода

3.2 Реализация ANFIS в среде MATLAB

3.3 Прогнозирование потока данных

Выводы по разделу третього

4. БЕЗОПАСНОСТЬ ЖИЗНЕДЕЯТЕЛЬНОСТИ

4.1 Действие тока на организм человека и критерии безопасности по току

4.2 Обеспечение безопасности жизнедеятельности в чрезвычайных ситуациях

ЗАКЛЮЧЕНИЕ

Список использованной литературы нейронный сеть телекоммуникационный поток