ПОЯСНЮВАЛЬНА ЗАПИСКА
до курсової роботи з дисципліни:
Методи та системи штучного інтелекту
На тему:
Розробка топології нейронної мережі для прогнозування вибору важких токарних верстатів
Зміст
Введення
. Аналіз роботи токарних верстатів: вузли токарного верстата; механіка роботи; супорт токарного верстата
. 1 Постановка завдання
. Розробка нейронної мережі для прогнозування вибору токарног верстата
. 1 Вибір типу нейронної мережі
. 2 Вибір алгоритму навчання
. 3 Розрахунок кількості нейронів у внутрішніх шарах
. 4 Результат роботи нейромережі
Висновки
Список використаних джерел
Введення
Штучні нейронні мережі (ІНС) - математичні моделі, а також їх програмні або апаратні реалізації, побудовані за принципом організації та функціонування біологічних нейронних мереж - мереж нервових клітин живого організму. Це поняття виникло при вивченні процесів, що протікають в мозку, і при спробі змоделювати ці процеси. Першою такою спробою були нейронні мережі Маккалоком і Питтса. Згодом, після розробки алгоритмів навчання, одержувані моделі стали використовувати в практичних цілях: в задачах прогнозування, для розпізнавання образів, в задачах управління та ін.
ІНС являють собою систему з'єднаних і взаємодіючих між собою простих процесорів (штучних нейронів). Такі процесори зазвичай досить прості, особливо в порівнянні з процесорами, використовуваними в персональних комп'ютерах. Кожен процесор подібної мережі має справу тільки з сигналами, які він періодично отримує, і сигналами, які він періодично посилає іншим процесорам. І тим не менше, будучи з'єднаними в досить велику мережу з керованим взаємодією, такі локально прості процесори разом здатні виконувати досить складні завдання.
Видатні застосування:
. 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.
. 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.
. 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.
Нейронні мережі в простому варіанті Кохонена не можуть бути величезними, тому їх ділять на гіперслоі (Гиперколонка) і ядра (микрокол...
