[ссылки] [литература] [проекты] [программы] [методические указания] [монографии и статьи] [вопросы и ответы] [школы] [учебники] [новости]
ENG  |   Карта сайта
Информация
Проект преследует цель популяризации идей применения природных механизмов функционирования для решения задач прогнозирования, оптимизации и поддержки принятия решений

Cписок рассылки
Открыть в новом окне

  1. Введение
  2. Генетические алгоритмы (1)
  3. Генетические алгоритмы (2)
  4. Генетические алгоритмы (3)
  5. Тренды
  6. Полиномиальные тренды
  7. Тригонометрические тренды
  8. Нейронные сети
  9. Метод наименьших квадратов
  10. Метод обратного распространения ошибки
  11. Множественная линейная модель
  12. Нестандартный выпуск. Анкета
  13. МЛМ. Пример расчета
  14. RBF-сеть
  15. Сеть встречного распространения
  16. Первая интерполяционная формула Ньютона
  17. МГУА (1)
  18. Вторая интерполяционная формула Ньютона
  19. Метод Брандона
  20. МГУА (2)
  21. Интерполяционные формулы Гаусса
  22. Интерполяционные формулы Стирлинга и Лагранжа
  23. МГУА (3)
  24. МГУА (4)
  25. Предварительная обработка данных (1)
  26. Предварительная обработка данных (2)
  27. Предварительная обработка данных (3)
  28. Box-counting
  29. Гетероскедастичность
  30. Введение в нечеткую логику
  31. Обобщённый метод наименьших квадратов
  32. Прогнозирование с помощью функций с гибкой структурой
  33. Автокорреляция
  34. Дистрибутивно-лаговые модели (1)
  35. Дистрибутивно-лаговые модели (2)
  36. Дистрибутивно-лаговые модели (3)
  37. Моделирование данных при помощи кривых для восстановления пробелов в таблицах (1)
  38. Нестандартный выпуск. Анонс книги Цейтлина Н.А."Опыт аналитического статистика"
  39. Алгоритм ZET
  40. Алгоритм ZetBraid
  41. Метод эволюционной кластеризации
  42. Эволюционный метод восстановления пропусков в данных
  43. Алгоритмы кластеризации класса FOREL
Выпуск 8. Нейронные сети. Введение

          Искусственные нейронные сети относятся к биокибернетическому направлению в науке, сущность которого заключается в адаптации принципов функционирования природы к методам решения задач искусственного интеллекта. От представителей классической интегро-дифференциальной парадигмы часто можно услышать, что многие и многие результаты, которые получают с помощью ИНС, являются необоснованными и недоказуемыми. Но нельзя отрицать того факта, что значительное количество теоретических результатов не нашло своего применения, а ИНС имеют практическое значение, подтверждённое экспериментально. В рассылке я не буду описывать теорию и методы функционирования сетей. Главное внимание будет уделено тому, как та или иная сеть может быть использована для прогнозирования. Кратко постараюсь представить основные алгоритмы. Предварительно краткие заметки:

  1. Клетки мозга называются нейронами. Каждый нейрон имеет примерно 100-1000 входов (дендритов) и один выход (аксон), который разветвляется. Таким образом, один нейрон взаимодействует с множеством других. Взаимодействующие нейроны образуют скопления и отвечают за определённые функции.
  2. Обычные компьютеры осуществляют последовательные вычисления. Многопроцессорные системы всё ещё неэффективны из-за проблем с управлением параллелизацией потоков данных а также тем, что современный уровень технических средств не позволяет реализацию соединений многих процессоров.
  3. Реализация, по-настоящему, параллельных вычислений возможна только аппаратно, программно – только последовательных, или иллюзорно параллельных.
  4. Из-за причин, описанных в пп. 2,3, компьютер не может восстановить образ человека по его, например, походке или силуэту за приемлемое время, в отличии от человека. Причина одна: Параллелизм вычислений в мозге человека и последовательные вычисления компьютером.
  5. Основой функционирования нейрона есть электрохимические реакции. Достижение порогового значения потенциала нейрона позволяет ему генерировать импульс (спайк), передающийся по аксону. Потенциал нейрона изменяется под влиянием сигналов от других нейронов, усиливающихся или ослабляющихся синапсами, а также окружающей средой.
  6. Утверждения п. 5 лежат в основе функционирования ИНС.
  7. Как пока ещё непознанными являются механизмы функционирования мозга, так и не являются аналитически представимыми механизмы и результаты работы ИНС. Но результат…

И ещё

Краткий исторический экскурс:

  • 1943 г. McCalloch и Pitts описывают искусственный нейрон.                                            

  • 1957 г. Перцептрон Rosenblatt – некоторое объединение искусственных нейронов.

  • 1969 г. Minsky доказывает невозможность моделирования функции “исключающего или” (XOR) одношаровым перцептроном.

  • 1982 г. Rummelhart, Hinton, Villiams предлагают алгоритм обратного распространения ошибки – квинтэссенция теории нейронных систем.

  • 1986 г. Hopfield – сети с обратными связями – прорыв в методах реализации ИНС.

  • Читайте учебник Уоссермена.

    И, конечно же, основные работы наших соотечественников: учебники, монографии, статьи.

      1. Горбань А.Н. и др. Нейроинформатика
      2. Куссуль Э.М. Ассоциативные нейроподобные структуры 
      3. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К.Вороновский, К.В.Махотило, С.Н.Петрашев, С.А. Сергеев.
      4. Заенцев И.В. Нейронные сети: основные модели.

    Все первоисточники можно скачать в разделах "Монографии" и "Ссылки"

    Выбрать LCD телевизор.
    Сайт создан в системе uCoz