История развития, применение искусственных нейронных сетей. Распознавание образов в сети. Сжатие данных и ассоциативная память. Проектирование экспертной системы, позволяющей диагностировать заболевания органов пищеварения. Программная реализация системы.
В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. С помощью нейросетей можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. После разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники.Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности. Винер вместе с соратниками публикует работу о кибернетике. Перцептрон обрел популярность - его используют для распознавания образов, прогнозирования погоды и т. д.; в то время казалось, что уже не за горами создание полноценного искусственного интеллекта. К моменту изобретения перцептрона завершилось расхождение теоретических работ Маккалока с т. н. Минский публикует формальное доказательство ограниченности перцептрона и показывает, что он неспособен решать некоторые задачи (Проблема "четности" и "один в блоке"), связанные с инвариантностью представлений.При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определенному классу. Когда сети предъявляется некий образ, на одном из ее выходов должен появиться признак того, что образ принадлежит этому классу. Если на двух или более выходах есть признак принадлежности к классу, считается, что сеть «не уверена» в своем ответе.Набор данных для обучения должен удовлетворять нескольким критериям: а) Репрезентативность - данные должны иллюстрировать истинное положение вещей в предметной области; б) Непротиворечивость - противоречивые данные в обучающей выборке приведут к плохому качеству обучения сети. Например, на первый вход сети подаются величины со значениями от нуля до единицы, а на второй - от ста до тысячи. При отсутствии нормировки значения на втором входе будут всегда оказывать существенно большее влияние на выход сети, чем значения на первом входе. Предположим, сеть обучается распознаванию букв на изображениях и имеет один числовой выход - номер буквы в алфавите. Обучающие данные подаются сети для обучения, а проверочные используются для расчета ошибки сети (проверочные данные никогда для обучения сети не применяются).По типу входной информации: а) Аналоговые нейронные сети (используют информацию в форме действительных чисел); б) Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде). б) Обучение без учителя - нейронная сеть формирует выходное пространство решений только на основе входных воздействий.Проводится следующее преобразование - выстраивается в ряд курс за сегодня, вчера, за позавчера. На полученном наборе обучается сеть с 3 входами и одним выходом - то есть выход: курс на дату, входы: курс на дату минус 1 день, минус 2 дня, минус 3 дня. Обученной сети подаем на вход курс за сегодня, вчера, позавчера и получаем ответ на завтра. Если желательно учитывать еще какой-то параметр (например, общий индекс по отрасли), то его надо добавить как вход (и включить в примеры), переобучить сеть и получить новые результаты. В настоящее время нейронные сети являются одним из самых распространенных методов хемоинформатики для поиска количественных соотношений структура-свойство, благодаря чему они активно используются как для прогнозирования физико-химических свойств и биологической активности химических соединений, так и для направленного дизайна химических соединений и материалов с заранее заданными свойствами, в том числе при разработке новых лекарственных препаратов.Необходимо разработать экспертную систему, позволяющую диагностировать заболевания органов пищеварения (выбрать два заболевания).В создаваемой экспертной системе будет реализована возможность диагностики двух заболеваний органов пищеварения - панкреатита и гастрита. Для установления диагноза будут использоваться жалобы пациента, результаты общего анализа крови, биохимического анализа крови и анализа кала. Панкреатит может характеризоваться следующими симптомами: тошнота, понос, отсутствие аппетита,
План
Содержание
Введение
1. Нейронные сети
1.1 Определение нейронных сетей
1.2 История развития нейронных сетей
1.3 Применение нейронных сетей
1.4 Этапы решения задач
1.5 Классификация нейронных сетей
1.6 Примеры приложений
2. Практическое задание
2.1 Задание
2.2 Концептуализация задачи
2.3 Формализация задачи
2.4 Выполнение задачи
2.5 Листинг программы
2.6 Тестирование программы
Заключение
Список использованной литературы
Введение
В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении подтверждается массой различных применений нейросетей. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью нейросетей можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. В то время как на западе применение НС уже достаточно обширно, у нас это еще в некоторой степени экзотика - российские фирмы, использующие НС в практических целях, наперечет.
Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные сети, функционирующие по различным алгоритмам. Тем не менее, тенденции развития нейросетей растут с каждым годом.
Цель моей работы - разбор базовых понятий, связанных с изучением нейронных сетей, а также выявление перспектив развития.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы