ПОЯСНЮВАЛЬНА ЗАПИСКА до курсової роботи
ВИКОРИСТАННЯ нейронних мереж В СИСТЕМІ MATLAB
з дисципліни: ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ
Зміст
Введення
. Застосування нейронних мереж
.1 Розпізнавання образів та класифікація
.2 Прийняття рішень і управління
.3 Кластеризація
.4 Прогнозування
.5 апроксимації
.6 Стиснення даних і асоціативна пам'ять
. Лінійні мережі
. Самоорганізуючі нейронні мережі
.1 Нейронна мережа (Кохонена)
.2 LVQ мережі
. Радіальні базисні мережі
. Рекурентні мережі
.1 Нейронна мережа (Елмана)
.2 Нейронна мережа (Хопфілда)
. Код програми
Висновок
Використана література
Введення
Теорія нейронних мереж виникла з досліджень в галузі штучного інтелекту, а саме зі спроб відтворити здатність нервових біологічних систем навчатися і виправляти помилки, моделюючи низкоуровневую структуру мозку. Основою досліджень з штучного інтелекту в 60-80-і рр. були експертні системи. Такі системи грунтувалися на високорівневої моделюванні процесу мислення (зокрема, на представленні, що процес нашого мислення побудований на маніпуляціях із символами).
Теорія нейронних мереж включають широке коло питань з різних галузей науки: біофізики, математики, інформатики, схемотехніки і технології. Тому поняття нейронні мережі детально визначити складно.
Штучні нейронні мережі (НС) - сукупність моделей біологічних нейронних мереж.
Представляють собою мережу елементів - штучних нейронів - пов'язаних між собою синоптичними сполуками. Мережа обробляє вхідну інформацію і в процесі зміни свого стану в часі формує сукупність вихідних сигналів. Робота мережі полягає в перетворенні вхідних сигналів в часі, в результаті чого змінюється внутрішній стан мережі і формуються вихідні впливи. Зазвичай НС оперує цифровими, а не символьними величинами.
1. Застосування нейронних мереж:
. 1 Розпізнавання образів та класифікація
В якості образів можуть виступати різні за своєю природою об'єкти: символи тексту, зображення, зразки звуків і т. д. При навчанні мережі пропонуються різні зразки образів із зазначенням того, до якого класу вони відносяться. Зразок, як правило, представляється як вектор значень ознак. При цьому сукупність всіх ознак повинна однозначно визначати клас, до якого відноситься зразок. У випадку, якщо ознак недостатньо, мережа може співвіднести один і той же зразок з декількома класами, що невірно. По закінченні навчання мережі їй можна пред'являти невідомі раніше образи і отримувати відповідь про приналежність до певного класу.
Топологія такої мережі характеризується тим, що кількість нейронів у вихідному шарі, як правило, дорівнює кількості визначуваних класів. При цьому встановлюється відповідність між виходом нейронної мережі і класом, який він представляє. Коли мережі пред'являється якийсь образ, на одному з її виходів повинен з'явитися ознака того, що образ належить цьому класу. У той же час на інших виходах повинен бути ознака того, що образ даного класу не належить. Якщо на двох або більше виходах є ознака приналежності до класу, вважається, що мережа «не впевнена» у своїй відповіді.
. 2 Прийняття рішень і управління
Ця задача близька до задачі класифікації. Класифікації підлягають ситуації, характеристики яких надходять на вхід нейронної мережі. На виході мережі при цьому повинен з'явитися ознака рішення, яке вона прийняла. При цьому в якості вхідних сигналів використовуються різні критерії опису стану керованої системи.
. 3 Кластеризація
Під кластеризацией розуміється розбивка безлічі вхідних сигналів на класи, при тому, що ні кількість, ні ознаки класів заздалегідь не відомі. Після навчання така мережа здатна визначати, до якого класу належить вхідний сигнал. Мережа також може сигналізувати про те, що вхідний сигнал не відноситься ні до одного з виділених класів - це є ознакою нових, відсутніх у навчальній вибірці, даних. Таким чином, подібна мережа може виявляти нові, невідомі раніше класи сигналів. Відповідність між класами, виділеними мережею, і класами, існуючими в предметній області, встановлюється людиною. Кластеризацію здійснюють наприклад, нейронні мережі Кохонена.
. 4 Прогнозування
Здібності нейронної мережі до прогнозув...
