ЗМІСТ
Введення
Глава 1 Нейрокомп'ютери
.1 Нейрокомп'ютери, і їх застосування в сучасному суспільстві
.2 Деякі характеризують нейрокомп'ютери властивості. Завдання, які вирішуються за допомогою нейрокомп'ютерів
Глава 2. Штучні нейронні мережі
.1 Математична модель нейрона
.2Тіпи штучних нейронів
.2.1Персептрон
.2.2Сігмоідальний нейрон
.2.3Інстар Гросберга
.2.4Нейрони типу WTA
.2.5Нейрон Хебба
.2.6Радіальний нейрон
.3 Класифікація штучних нейронних мереж
.4 Переваги і недоліки штучних нейронних мереж
Висновок
Список використаної літератури
Введення
Актуальність дослідження: Нейроіформатіка - область наукових досліджень, що лежить на перетині нейронаук lt; # 305 src= doc_zip1.jpg / gt;
Рис. 1 Біологічний нейрон
абстрагуємося принцип роботи біологічного нейрона, математики побудували математичну модель, яка відображатиме основні принципи роботи цієї клітини (рис 2)
У цій моделі сигнали, що надходять на входи, множаться на вагові коефіцієнти, і на основі функції обработківирабативается вихідний сігналXj. У найпростішому випадку вхідні сигнали, помножені на вагові коефіцієнти, підсумовуються, і, коли значення суми стає більше певного порогу, генерується вихідний сигнал.
Рис. 2 Класична модель штучного нейрона
В інших випадках залежність вихідного сигналу від суми вхідних може мати більш складний характер, описуваний заданої математичної функцією.
Фізично один штучний нейрон являє собою простий мікропроцесор з можливість програмування функції установки вагових коефіцієнтів і з невеликим об'ємом вбудованої пам'яті. Для обробки знань окремий штучний нейрон застосований бути не може. Але коли безліч штучних нейронів з'єднуються між собою в штучну нейронну мережу (подібно до того, як біологічні нейрони з'єднані в мозку людини), у них з'являється можливість обробляти і накопичувати знання. Знання в штучної нейронної мережі накопичуються у вигляді значень вагових коефіцієнтів.
Таким чином, можна сформулювати визначення.
Штучна нейронна мережа - це математична модель разом з її апаратної й програмної реалізацією, побудована за принципом дії біологічної нейронної мережі і призначена для встановлення взаємозв'язку даних [1].
Виходячи з цього визначення, необхідними елементами штучної нейронної мережі є:
§ Математична модель;
§ Штучні нейрони (реалізовані апаратно або програмно);
§ Програмно-топологічна реалізація математичної моделі за рахунок завдання з'єднань між нейронами та обробної (активационной) функції.
2.2 Типи штучних нейронів
Нижче наведено типи штучних нейронів, пріведенниев навчальному курсі «Штучні нейронні мережі» [7].
· Персептрон
· Сигмоїдальні нейрон
· Инстар Гросберга
· Нейрони типу WTA
· Нейрон Хебба
· Радіальний нейрон
2.2.1 Персептрон lt; # 196 src= doc_zip9.jpg / gt;
Рис. 3. Структурна схема персептрона
Вихідний сигнал
(Величина, що характеризує реакцію штучного нейрона на вектор його вхідних сигналів) нейрона може приймати тільки два значення {0,1} за наступним правилом:
Навчання персептрона вимагає вчителя, тобто безлічі пар векторів вхідних сигналів (Вектор величин, що подаються одночасно на входи штучного нейрона), і відповідних їм очікуваним значенням вихідного сигналу. Навчання (відшукання вагових коефіцієнтів) зводиться до задачі мінімізації цільової функції
(1)
На жаль, для персептрона чинності розривності функції при відшуканні мінімуму застосовні методи оптимізації тільки нульового порядку.
На практиці для навчання персептрона найчастіше використовується правило персептрона (Процедура навчання штучної нейронної мережі, побудованої на базі персептронов), що представляє собою наступний простий алгоритм.
1. Вибираються (як правило, випадково) початкові значення ваг (= 0, 1, 2, ..., N) нейрона.
2. Для кожної навчальної пари виконується ряд циклів (їх номери позначимо через t) уточнення значень вхідних ваг (синаптична вага: Величина, що характеризує ступінь впливу вхідного сигналу штучного нейрона на його поведінку (на величину його вихідного сигналу)) за формулою:
(2)
Де
Процес обробки поточної навчальної пари завершується
