Благодарю автора за ответственное отношение к выполнению заказа.
Информация о работе
Подробнее о работе
%d0%9d%d0%b5%d0%b9%d1%80%d0%be%d1%81%d0%b5%d1%82%d0%b5%d0%b2%d1%8b%d0%b5+%d1%82%d0%b5%d1%85%d0%bd%d0%be%d0%bb%d0%be%d0%b3%d0%b8%d0%b8
- 37 страниц
- 2015 год
- 187 просмотров
- 1 покупка
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
ВВЕДЕНИЕ
Искусственные нейронные сети – это совокупность моделей биологических нейронных сетей. Нейронные сети представляют собой совокупность элементов, связанных между собой синаптическими связями. Сеть обрабатывает входную информацию и в процессе изменения своего внутреннего состояния во времени формирует выходные воздействия.
Нейронные сети, в отличие от статистических методов многомерного классификационного анализа, базируются на параллельной обработке информации и обладают способностью к самообучению, то есть получать обоснованный результат на основании данных, которые не встречались в процессе обучения.
Эти свойства позволяют нейронным сетям решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми.
Понятие «искусственные нейронные сети» оформилось в 1940-е годы благодаря основополагающей работе У. Мак-Каллока и Ч. Питтса [1], в которой была предложена модель мозга как множества нейронов, имеющих одинаковую структуру.
Каждый нейрон реализует некоторую функцию над входными значениями. Если значение функции превышает определенную величину - порог, то нейрон возбуждается и формирует выходной сигнал для передачи его другим нейронам. Мозг получает входную информацию от рецепторов (слуховых, зрительных и других), затем она обрабатывается нейронными структурами, преобразуется в набор управляющих воздействий на организм.
Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в финансовой области. Способность к моделированию неленейных процессов, работе с зашумленными данными и адаптивность дают возможность применять нейронные сети для решения широкого класса финансовых задач [3].
Выделим основные характерные черты искусственных нейронных сетей:
• Гибкая модель для аппроксимации многомерных функций.
• Средство прогнозирования во времени процессов , зависящих от большого количества переменных.
• Средство распознавания образов
• Инструмент для поиска по ассоциациям
• Модель для поиска закономерностей в массивах данных
Содержание
Введение 3
1. Основные понятия нейросетевых технологий 5
1.1 Устройство нейронных сетей 5
1.2 Формальная модель нейрона и нейросети 9
1.3 Виды нейронных сетей 12
1.4 Принципы обучения 14
2. Применение нейронных сетей 18
2.1 Пример 1. Система контроля за несанкционированной деятельностью пользователей компьютерной сети 20
2.2 Пример 2. Применение нейронных сетей в системах распознвания образов 28
Заключение 33
Источники информации 36
ЗАКЛЮЧЕНИЕ
На данном этапе развития нейронных сетей можно сделать вывод, что применения нейросетевых технологий для решения многих задач является единственно возможным решением.
Искусственные нейронные сети (ИНС) строятся по принципам орга-низации и функционирования их биологических аналогов. Они способны решать широкий круг задач распознавания образов, идентификации, про-гнозирования, оптимизации, управления сложными объектами. Дальней-шее повышение производительности компьютеров все в большой мере связывают с ИНС, в частности, с нейрокомпьютерами (НК), основу кото-рых составляет искусственная нейронная сеть.
Основные достоинства нейросетей:
• адаптируемость (лёгкая переобучаемость при больших потоках входных данных), а также возможность потенциального распараллеливания вычислений.
• способность обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами:
• обучение на неполной, противоречивой и искажённой информации;
• отсутствие требований выполнения условия отсутствия взаимосвязи между входными факторами, как это требуется в регрессионном анализе.
К недостаткам нейросетей относятся «непрозрачность» процесса их работы и трудности интерпретации результатов, а также то, что в них, в отличие от экспертных систем с логическим выводом при анализе, приходится приводить исходные данные к цифровой форме.
Среди перспективных направлений использования нейросетевых технологий можно назвать следующие:
• Экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьё, объемов продаж,..), автоматический трейдинг (торговля на валютной, фондовой или товарной бирже), оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.
• Медицина: постановка диагноза, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов.
• Авионика: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты.
• Связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
• Интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация и блокировка спама, автоматическая рубрикация сообщений из новостевых лент, адресные реклама и маркетинг для электронной торговли, распознавание captcha.
• Автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций.
• Робототехника: распознавание сцены, объектов и препятствий перед роботом, прокладка маршрута движения, управление манипуляторами, поддержание равновесия.
• Политологические и социологические технологии: предсказание результатов выборов, анализ опросов, предсказание динамики рейтингов, выявление значимых факторов, кластеризация электората, исследование и визуализация социальной динамики населения.
• Безопасность и охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи или лицу; распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок, анализ данных с видеодатчиков и разнообразных сенсоров.
• Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов.
• Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.
Это делает доступной технологию нейронных сетей для приложений практически любого уровня.
ИСТОЧНИКИ ИНФОРМАЦИИ
1. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.
2. Бураков, М. В. Нейронные сети и нейроконтроллеры: учеб. пособие/ М. В. Бура¬ков. – СПб.: ГУАП, 2013. – 284 с.: ил.
3. Елизаров А.И., Афонасенко А.В. Методика построения систем
4. распознавания автомобильного номера // Известия Томского политехнического университета. – 2010. – Т. 309. – № 8. – С. 118–121.
5. Болотова, Ю.А., Спицын В.Г. Сравнение способов обучения модели HTM для задачи распознавания цифр // Молодежь и современные информационные технологии: cборник трудов IX Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых. – Томск: Изд-во СПБ Графикс, 2011. – Т. 1. – С. 252–253.
6. Болотова, Ю.А., Спицын В.Г., Кермани А.К. Распознавание символов на цветном фоне на основе иерархической временной модели с предобработкой фильтрами Габора // Электромагнит ные волны и электронные системы. – 2012. – Т. 16. – № 1. – С. 14–19.
7. Костров, Б.В. Искусственный интеллект и робототехника /Б.В. Костров - М.: «Издательство ДИАЛОГ-МИФИ», 2012. — 224 с.
8. Ясницкий, Л.Н. Введение в искусственный интеллект: Учебное по¬собие для студ. высш. учеб. заведений /Л.Н. Ясницкий. - М.: Издательский центр «Академия», 2010. - 176 с.
9. Буй Тхи Тху Чанг, Фан Нгок Хоанг, Спицын В.Г. Алгоритмическое и программное обеспечение для классификации цифровых изображений с помощью вейвлет-преобразования Хаара и нейронных сетей // Известия Томского политехнического университета. – 2011. – Т. 319. – № 5. – С. 103–106.
10. Болотова Ю.А., Спицын В.Г., Фомин А.Э. Применение модели иерархической временной памяти в распознавания изображений // Известия Томского политехнического университета. –2011. – Т. 318. – № 5. – С. 60–63.
11. Гаврилова, Т.А. Базы знаний интеллектуальных систем /Т.А. Гаврилова, И.Ф. Хорошевский. - СПб.: Питер, 2010.
12. Тант Зин Пьо, Кочетков М.П. Обработка изображений в системах технического зрения робототехнических комплексов// Информационно - управляющие вычислительные системы: алгоритмы, аппаратные и программные средства: межвузовский сборник/ Под ред. В.А. Бархоткина. - M.: МИЭТ, 2011. - 148с. С. 130-135.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
