Зміст
1. Теоретична частина
. 1 Мета роботи
. 2 Наукова новизна
. 3 Мозок і біологічний нейрон
. 4 Біологічний нейрон і нейронні мережі
. 5 Аналогія між комп'ютером і людським мозком
. 6 Штучні нейронні мережі
. 7 Етапи розвитку штучних нейронних мереж
. 8 Архітектура штучних нейронних мереж
. Проблема класифікації даних
. 1 Рецепторная структура сприйняття інформації
. 2 Поняття класу
. 3 Проблема кластеризації даних
. 4 Геометричний і структурний підходи
. 5 Гіпотеза компактності
. 6 Навчання, самонавчання та адаптація
. 7 Підготовка даних для навчання
2.7.1 Максимізація ентропії як мета предобработки
. 7.2 Нормировка даних
2.8 Алгоритмічні побудови
. 9 Навчання штучних нейронних мереж
2.9.1 Навчання з учителем
. 9.2 Навчання без учителя
. 9.3 Процес навчання нейронних мереж
. 9.4 Алгоритм січних площин
2.10 Навчання мережі Кохонена
. 11 Клітинний автомат в нейронних мережах
2.11.1 Пристрій клітинного автомата
2.11.2 Клітинна нейронна мережа
3. Класифікація даних
. 1 Постановка завдання і складнощі, пов'язані з її реалізацією
3.1.1 Вибір топології мережі
3.2 Алгоритм кластеризації даних
. 3 Блок схема нейронної мережі
. 4 Створення табличній моделі нейронної мережі Кохонена
3.4.1 Робочий лист Вибірки
. 4.2 Робочий лист Навчання
3.5 Навчання мережі
. 6 Створення табличній моделі навченої мережі
. 7 Тестування мережі
. 8 Створення, навчання і тестування мережі Кохонена в Matlab
3.8.1 Обгрунтування вибору середовища для створення мережі
. 8.2 Архітектура мережі
. 8.3 Створення мережі
. 8.4 Навчання мережі
. 8.5 Тестування мережі
3.9 Порівняння результатів кластеризації в Matlab і Excel
Висновок
Список літератури
1. Теоретична частина
. 1 Мета роботи
Метою дисертації є розробка нового детермінованого алгоритму навчання ІНС Кохонена з використанням безперервного клітинного автомата, що дозволяє усунути більшість перерахованих недоліків, і його практична реалізація в електронних таблицях.
Для досягнення цієї мети в роботі поставлені і вирішені наступні завдання:
збір і введення нормалізованих вибірок даних, що складаються з двомірних і чотирьох мірних векторів;
дослідження та аналіз методів навчання для виявлення математичних закономірностей і властивостей, застосовних в ІНС;
побудова графіків і діаграм, що визначають ступінь порівняльної віддаленості між різними об'єктами;
формування покрокового алгоритму та графічної блок-схеми ІНС;
досягнення високого результату класифікації при мінімальній кількості зразків з кожного набору;
моделювання, тестування і налагодження програмної реалізації комплексної структурної моделі ІНС, що використовує клітинний автомат;
порівняння параметрів навчання з уже існуючими аналогами.
Методи дослідження.
У роботі використані теорія штучних самоорганізованих нейронних мереж для графічних масивів бази даних із застосуванням процесу розпізнавання без учителя, статистичний аналіз, теорія множин і кластеризації/категоризації об'єктів, методи алгоритмізації, методи комп'ютерного моделювання в VBA для Excel і створення нейронної мережі на основі MS Excel, а також середу Matlab.
1.2 Наукова новизна
Наявні в арсеналі алгоритми класифікації в основному використовують неадаптівние алгоритми розпізнавання зразків, які працюють для невеликої кількості учнів зразків. Значне збільшення навчальної вибірки призводить до ве...
