ейрони), что імітують роботу нейронів мозком. Коженая нейрон характерізується своим потокової таборували за аналогією з нервово кліткамі головного мозком, что могут буті порушені або загальмовані. ВІН має групу сінапсів - односпрямованіх вхідніх зв'язків, з'єднаних з виходе других нейронів, а такоже має аксон - вихідний зв'язок даного нейрона, з яким сигнал (Порушення або гальмування) Надходить на сінапсі Наступний нейронів. p align="justify"> потокової стан нейрона візначається, як зважено сума его входів:
В
де Xi - вхідні сигналі; Wi - Зважені вагарні КОЕФІЦІЄНТИ.
Штучні нейроні мережі це набор математичних и алгорітмічніх методів для решение широкого кола завдань. Віділімо характерні РІСД штучних нейроної Сітки, як Універсального інструмента для решение задач:
Гнучка модель для нелінійної апроксімації багатомірніх функцій;
засіб прогнозування в часі для процесів, что залежався від багатьох перемінніх;
Класифікатор за багатьма ознакой, что Дає розбівка вхідного простору на области;
засіб розпізнавання образів;
інструмент для поиска по асоціаціях;
модель для поиска закономірностей у МАСИВ даніх.
Використання нейронної мережі при прогнозуванні небезпечних подій Складається з трьох етапів: навчання, перевіркі и Функціонування. p align="justify"> Навчання нейронної мережі розглядається як решение оптімізаційної задачі: мінімізація Функції помилки або незва язування на даній безлічі прікладів Шляхом Вибори значень вагових Коефіцієнтів на вході нейрона. Існує вже ровері число Навчальних алгорітмів, что відрізняються один від одного стратегією оптімізації и крітерієм помилки (функцією).
Процес навчання повторюється Доті, поки сумарная помилка на всех ІНФОРМАЦІЙНИХ Показники, что вплівають на рівень безпеки об'єкта, не стану менше деякої заданої величини, и завершується, коли функція, реалізована нейромереж, набліжає невідому функцію на ТІМ, Якого навчають, безлічі з заданість точністю. p align="justify"> На етапі перевіркі вірогідності робота мережі порівнюється з Даними контрольної безлічі. Бажано, щоб смороду Цілком відрізняліся від прістосованіх на попередня етапі. При програмній и апаратній реалізації віконані решение мовою нейронних мереж могут буті переведені на мови Іншого уровня, а алгоритми опісані в традіційній математічній нотації. p align="justify"> Методи сітуаційного моделювання, что реалізовані в системах Simulink и Stateflow. Комбінація Matlab-Simulink-Stateflow є могутнім універсальнім інструментом моделювання Тимчасових рядів.забезпечує доступ до різніх тіпів даніх, високого уровня Програмування ї інструментальнім засобой візуалізації. Simulink підтрімує проектування безперервніх и дискретних дінамічніх систем у графічному середовіщі...
