Общие 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.
Аннотация к работе
В большинстве случаев на выходе каждого нейрона стоит точка ветвления, служащая для рассылки выходного сигнала нейрона по входам других элементов, рисунок 2.4. Нейронные сети различают по структуре сети (связей между нейронами), особенностям модели нейрона, особенностям обучения сети. Нейроны первого слоя получают входные сигналы, преобразуют их и через точки весвления вередают нейронам второго слоя. Если не оговорено противное, то каждый выходной сигнал i-го слоя подается на вход всех нейронов i 1-го слоя. При операциях с нейронными сетями порог нейронного элемента выходного слоя, а так же и срытых слоев, можно выносить за пределы слоя и изображать как синоптическую связь с весовым коэффициентом, равным значению Т, и входным значением, равным-1, рисунок 2.9.Общие требования, предъявляемые к организации режима труда и отдыха при работе с ЭВМ: - продолжительность работы с ЭВМ для инженеров и операторов не должна превышать 6 часов в день; Корпус ПЭВМ, клавиатура и другие блоки и устройства ПЭВМ должны иметь матовую поверхность одного цвета с коэффициентом отражения 0.6 и не иметь блестящих деталей, способных создавать блики. конструкция ВДТ и ПЭВМ должна обеспечивать мощность экспозиционной дозы рентгеновского излучения в любой точке на расстоянии 0.05м. от экрана и корпуса ВДТ при любых положениях регулировочных устройств не должна превышать 7.74Е-12 А/кг, что соответствует эквивалентной дозе, равной 0.1 мбэр/час (100 мкр/час); Производственные помещения, в которых для работы используются преимущественно ВДТ и ПЭВМ (диспетчерские, операторские, расчетные и др.), учебные помещения (аудитории вычислительной техники, дисплейные классы и др.), не должны граничить с помещениями, в которых уровни шума и вибрации превышают нормируемые значения (механические цеха, мастерские, гимнастические залы и т.п.). В производственных помещениях, в которых работа с ВДТ и ПЭВМ не является основной, а также во всех учебных и дошкольных помещениях с ВДТ и ПЭВМ вибрация на рабочих местах не должна превышать допустимые нормы вибрации.Хотя решение на основе нейронной сети может выглядеть и вести себя как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей “обучается”, а не программируется: сеть учится выполнять задачу, а не программируется непосредственно. Решения на основе нейронных сетей становятся все более совершенными и, несомненно, в будущем наши возможности по разработке соответствующих устройств возрастут за счет лучшего понимания их основополагающих принципов.@param String[] args параметры в командной строке при запуске приложения /не используются/ */ public static void main (String[] args) Класс MAINFRAME создает окно, с предопределнными параметрами (размеры, положение при первом запуске, расположение компонентов внутри) constraints.fill = GRIDBAGCONSTRAINTS.BOTH; constraints.insets = ins;Сеть состоит из некоторого количества слоев, но как минимум должны присутствовать входной и выходной слои. Layer PREL = (Layer)MASSIVLAYERS.get(i-1); Layer PREL = (Layer)MASSIVLAYERS.get(i-1); Отображает информацию о нейронной сети (количество слоев, количество нейронов в каждом слое, а так же свойства каждого нейрона Сохраняет нейронную сеть как набор массивов: количество слоев количество нейронов в каждом слое каждый слой как массив нейроновves_koef = new float [vxodi]; ves_koef = new float [vxodi]; private float [] ves_koef; {popup.show (event.GETCOMPONENT(), event.GETX(), event.GETY()); {if (net2!=null && IMPANEL == null) {IMPANEL = new IMAGEPANEL (net2);} if (net2!=null && IMPANEL != null) {IMPANEL.
Вывод
В данном дипломном проекте были изложены математические и алгоритмические аспекты функционирования нейронных сетей. Успешно была решена поставленная задача реализации программного продукта для проектирования нейронных сетей.
Хотя решение на основе нейронной сети может выглядеть и вести себя как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей “обучается”, а не программируется: сеть учится выполнять задачу, а не программируется непосредственно. Решения на основе нейронных сетей становятся все более совершенными и, несомненно, в будущем наши возможности по разработке соответствующих устройств возрастут за счет лучшего понимания их основополагающих принципов. Но уже сегодня имеется немало впечатляющих разработок. База приложений нейронных сетей просто огромна: выявление фальшивых кредитных карточек, прогнозирование изменений на фондовой бирже, оптическое распознавание символов, наблюдение за техническим состоянием механизмов, профилактика и диагностика заболеваний человека, автоматическое управление движением автомобиля и т.д. Дальнейшие успехи в разработке искусственных нейронных сетей будут зависеть от дальнейшего понимания принципов работы человеческого мозга, но здесь имеется и обратная связь: искусственные нейронные сети являются одним из средств, с помощью которых совершенствуется наше представление о процессах, происходящих в нервной системе человека.
Будущее нейронных сетей кажется вполне ясным, и сегодня это та область знаний, о которой должны иметь определенное представление все научные специалисты, работающие в области компьютерных технологий, равно как и многие инженеры и научные работники смежных специальностей.
Список литературы
1. Р. Каллан. Основные концепции нейронных сетей. - Москва: «Вильямс», 2001г.
2. В.А.Головко Нейронные сети: обучение, организация и применение. - Москва: «Радиотехника», 2001г.
3. А.Н. Горбань, Д.А. Россиев Нейронные сети на персональном компьютере. - Новосибирск: «Наука», 1996г.
4. К.С. Хорстман, Г. Корнелл Java2: пер. с англ. - Москва : «Вильямс», 2004г.
5. Санитарно-эпидемиологические правила и нормативы. САНПИН 2.2.2/2.4.1340 - 03.