Содержание
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
Выдержка из текста
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
Список использованной литературы
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.