Нейросетевое моделирование
ВВЕДЕНИЕ
В различных областях, связанных с анализом, все чаще применяются методы искусственного интеллекта. Они связанны с прогнозированием, анализом и оптимизацией различных процессов. Использование методов искусственного интеллекта позволяет отслеживать закономерности поведения и влияние одних параметров на другие. Анализ большого объема данных - бесспорное преимущество данного метода. Сравнивая нейронные сети с традиционными методами численного моделирования, можно прийти к выводу, что нейросети обладают высокой скоростью получения прогнозных решений, что является несомненным преимуществом. Качество и объем данных имеют особое значение, на которых обучается нейронная сеть.
Кроме того, в зависимости от собственного состояния и от внешних условий каждый из компонентов системы имеет свой характер и свойства поведения. Такая система проста, несмотря на то, что количество ее компонентов может быть большим, при условии, что все возможные проявления системы сведены к сумме проявлений ее
СОДЕРЖАНИЕ
ВВЕДЕНИЕ 4
1. Общие положения искусственных нейронных сетей 6
2. Функция активации 7
3. Типы архитектур нейросетей 8
4. Обучение многослойной сети 11
5. Обратное распространение ошибки 12
6. Организация процесса обучения 14
7. Регуляризация источника в сетевых собой моделях 15
ЗАКЛЮЧЕНИЕ 19
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ: 21
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ:
1. Мак-Каллок У. С., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Автоматы, под ред. Шеннона К.Э. и Маккарти Дж. М.: ИЛ, 2003. С. 362 - 384.
2. Минский М., Пейперт С. Перцептроны./ Минский М. Мир, 2001. 234 с.
3. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Мир, 2004, 248 с.
4. С. Короткий,"Нейронные сети: Основные положения. СПб, 2002. 357 с.
5. Фомин С. В., Беркенблит М. Б. Математические проблемы в биологии. М.: Наука, 2004, 200 с.
6. Фон Нейман Дж. Вероятностная логика и синтез надежных организмов из ненадежных компонент. // Автоматы, под ред. Шеннона К. Э. и Маккарти Дж. М.: ИЛ, 2003, С. 68 - 139.
7. Фролов А. А., Муравьев И. П. Информационные характеристики нейронных сетей. М.: Наука, 2005, 160 с.
8. Фролов А. А., Муравьев И. П. Нейронные модели ассоциативной памяти. М.: Наука, 2004, 160 с.
Процесс обучения оканчивается, если отклонения меньше заданной погрешности. Кроме входного и выходного слоев в многослойной сети существуют скрытые слои. Они представляют собой нейроны, которые не имеют непосредственных входов исходных данных, а связаны только с выходами входного слоя и с входом выходного слоя. В итоге, скрытые слои дополнительно преобразуют информацию и добавляют нелинейности в модели.
Рассмотрим, как нейроны могут моделировать различные классы функций.
Класс рекуррентных нейронных сетей намного больше, а сами сети сложнее по конструкции. Поведение рекуррентных сетей описывается дифференциальными или разностными уравнениями, обычно первого порядка. Это значительно расширяет область применения нейронных сетей и способов их обучения. Сеть устроена таким образом, что каждый нейрон получает входные данные от других нейронов, возможно, как от самого себя, так и от окружающей с