Исследование методов синтеза нейросетевых структур на основе генетических алгоритмов
Введение
В начале XX века появились первые попытки разработки искусственных нейросетей (ИНС) для создания модели работы мозга человека. Но широкое применение они получили только во второй половине столетия, когда мощности вычислительных систем стали достаточными для проведения такого сложного моделирования. [1].Главная особенность искусственных нейросетей — это параллельная обработка информации всеми звеньями, эта особенность говорит об их огромном потенциале и широких возможностях. При огромном числе межнейронных связей благодаря этому можно сильно ускорить процесс обработки информации. Помимо этого, при большом количестве межнейронных соединений сеть становится устойчива к ошибкам, которые возникают на некоторых линиях. Деятельность сети не претерпевает существенных возмущений благодаря тому, что исправные линии берут на себя функции поврежденных связей.
Оглавление
Введение
Глава 1 Обзор информации о нейросетевых структурах и генетических алгоритмах.
1 Нейроны и искусственные нейронные сети
2 История нейронных сетей
3 Классификация нейронных сетей
4 Генетические алгоритмы
Глава 2 Генетические алгоритмы для решения задач оптимизации в системе Мatlab
1 Постановка задачи
2 Решение задач оптимизации с помощью генетических алгоритмов
3 Основные понятия генетических алгоритмов
4 Этапы нахождения оптимального решения задачи с помощью генетического алгоритма
5 Генетические алгоритмы в редакторе Genetic Algorithm утилиты Optimization Toolbox системы Matlab
6 Процесс нахождения минимума и максимума функции двух переменных
Глава 3. Экономическая часть
1 Расчет затрат НИР
2. Расчет годовых доходов
3 Расчет срока окупаемости
Глава 4. Охрана труда при работе за персональным компьютером
1 Виды опасных и вредных факторов.
2 Требования электробезопасности.
3 Требования по обеспечению пожарной безопасности.
4 Правила техники безопасности и гигиены при работе на ПК
Заключение
Список литературы
Список литературы
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И.Д. Рудинского. М.: Горячая линия – Телеком, 2004. 452 с.: ил.
Лукичев Д.В. Выбор оптимальной структуры нейросетевого предсказывающего фильтра. // Изв. вузов. Приборостроение. 2004. Т. 47. № 11. С. 38–42.
Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. / 2-е изд., стереотип. М.: Горячая линия – Телеком, 2002. 382 с.: ил.
Галушкин, А.И. Нейронные сети: основы теории. / А.И. Галушкин. - М.: РиС, 2014. - 496 c.
Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
Нейроматематика. Кн. 6: Учебное пособие для вузов / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2002. 425 с.: ил.
Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.: ил.
Барский, А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином, 2013. - 352 c.
Галушкин, А.И. Нейронные сети: история развития теории: Учебное пособие для вузов. / А.И. Галушкин, Я.З. Цыпкин. - М.: Альянс, 2015. - 840 c.
Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2015. - 224 c.
Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: РиС, 2013.- 384 c.
Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: КД Либроком, 2016. - 232 c.
Яхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М.: БИНОМ. ЛЗ, ИНТУИТ.РУ, 2012. - 316 c.
Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. — М.: Мир, 1992.
Генетические алгоритмы (ГА) используются для того, чтобы решать задачи моделирования и оптимизации предназначены для решения задач оптимизации используя последовательный подбор, вариации искомых параметров и комбинирование с применением механизмов, похожих на биологическую эволюцию. [5]ГА направлены на решение задач оптимизации. В частности, для обучения нейросетей, то есть для подбора таких значений весов, при которых достигается минимальная ошибка. В основе ГА лежит метод случайного поиска. Главный недостаток случайного поиска — это то, что нельзя заранее знать сколько времени уйдет на решение задачи.Чтобы избежать больших расходов времени при решении задачи, используются методы, которые были открыты во время изучения происхождения видов и эволюции. В силу того, что в процессе эволюции выживают наиболее приспособленные особи, приспособленность популяции возрастает, что позволяет ей лучше выживать в меняющихся условиях.В основе практически всех вариантов ГА лежит «репродуктивный план Холланда». Этот алгоритм был разработан Джоном Холландом (John Holland) в Мичиганском университете в 1975 году. Но, прежде чем более подробно рассмотреть этот алгоритм, рассмотрим то, каким образом объекты реального мира могут быть закодированы для использования в ГА.