- •Автоматизированные системы управления производством
- •Арифметико-логическое устройство (алу): назначение, основные характеристики, обобщенная структурная схема.
- •Базы данных (бд). Их структура. Проектирование бд. Основные этапы. Логическая модель реляционной базы данных.
- •Взаимодействие блоков алу при выполнении различных арифметических и логических операций
- •Роль алгоритмов при создании программ. Компьютерная программа. Описание реализации программы на эвм.
- •Структура базового микропроцессора (мп) современных моделей для imb-совместимых пэвм, взаимодействие его узлов и блоков.
- •Искусственный интеллект и ис. Операционные системы и среды для ис
- •Вычислительная техника сетей
- •2. Наборы команд:
- •3. Регистры:
- •1. Архитектура процессора:
- •4. Структура данных:
- •Автоматические и автоматизированные ис.
- •Исполнительные блоки процессора (для обработки целых чисел и разрядность.
- •Рабочая тактовая частота; размер кэш-памяти.
- •Искусственный интеллект и информационное общество. Представление знаний в системах искусственного интеллекта. Направление исследований и разработок в области искусственного интеллекта.
- •Псевдо-уатс, телефонный телекоммуникационный сервер
- •Адресное пространство как максимальное количество ячеек основной памяти, которое может быть непосредственно адресовано микропроцессором.
- •Логические, семантические и фреймовые модели.
- •Рабочая тактовая частота мп, производительность не менее mips (миллионов операций с плавающей точкой в секунду)Флопс
- •Моделирование рассуждений. Предикаты и термы.
- •Понятие о теории распознавания образов.
- •Какие объекты содержит база данных в ms Access? Расширение файла базы данных в ms Access. Обмен данными бд в ms Access с другими приложениями.
- •Базы знаний (бз) как система глубоко структурированной информации. Подсистемы общения и решатели. Интеллектуальный интерфейс бз.
- •Основные функции субд. Основные требования к субд.
- •СуперЭвм виде высокопараллельных многопроцессорных вычислительных систем
- •Российские супер эвм и основные направления использования супер эвм
- •Интеллектуальные системы в управлении предприятием и производством асу, асуп. Асутп, сапр.
- •Современные технологии и правила защиты информации на эвм. Компьютерные вирусы
- •Искусственные нейронные сети. Основные положения нейросетевого подхода. Классификация искусственных нейронных сетей и их свойства. Правила функционирования сети. Персептрон. Нейрон. Вес связи.
- •Обучение нейронных сетей. Обучение на основе памяти. Обучение Хебба. Конкурентное обучение.
- •Обучение с учителем, алгоритм обратного распространения ошибки. Обучение без учителя, самоорганизующиеся карты Кохонена. Обучение с подкреплением.
- •Кодирование информации. Кодирование числовых, логических данных. Кодирование текстовой информации
- •Представление графической информации. Растровое представление. Цвет. Векторная графика. Фрактальная графика. Звуковая информация.
- •Когнитивное моделирование. Генетические алгоритмы и моделирование эволюции.
- •Семантические сети. Неопределенность в экспертных системах. Байесовские сети доверия. Количественное представление бсд.
- •Интеллектуальные системы извлечения знаний, генетические алгоритмы. Эволюционные системы. Эволюционное программирование. Эволюционная стратегия.
- •Днк компьютеры. Квантовые и молекулярные компьютеры
- •Современные сотовые телефоны как эвм. Виды сенсорных экранов и их принципы работы.
Обучение нейронных сетей. Обучение на основе памяти. Обучение Хебба. Конкурентное обучение.
Обучение нейронной сети – это процесс настройки её весов и параметров для достижения желаемой производительности. Существует множество алгоритмов обучения, которые можно разделить на несколько основных категорий. Мы рассмотрим обучение на основе памяти, обучение Хебба и конкурентное обучение.
1. Обучение на основе памяти:
Этот подход основан на запоминании образцов входных данных и соответствующих им выходных данных. Сеть просто хранит пары "вход-выход" и, получив новый входной сигнал, выдает соответствующий выходной сигнал из своей памяти. Это самый простой тип обучения, но он не способен обобщать информацию и плохо справляется с шумом или неполными данными. Примеры: простые ассоциативные сети, lookup tables. Этот метод не предполагает изменений весовых коэффициентов; сеть просто выполняет поиск по памяти.
2. Обучение Хебба (Hebbian learning):
Этот подход, основанный на правиле Хебба ("нейроны, которые одновременно активируются, соединяются"), является одним из самых ранних и простейших алгоритмов обучения. Он утверждает, что сила связи между двумя нейронами увеличивается, если они одновременно активируются. Математически правило Хебба можно выразить как:
Δw<sub>ij</sub> = ηx<sub>i</sub>y<sub>j</sub>
где:
* Δw<sub>ij</sub> - изменение веса связи между нейроном i и нейроном j;
* η - скорость обучения (коэффициент, контролирующий скорость изменения весов);
* x<sub>i</sub> - выход нейрона i;
* y<sub>j</sub> - выход нейрона j.
Обучение Хебба используется для создания ассоциативных сетей, которые могут запоминать пары "вход-выход". Однако, оно имеет ограничения: не подходит для сложных задач и может привести к переобучению (overfitting), когда сеть запоминает тренировочные данные, но плохо обобщает на новые данные. Обычно применяется в более простых сетях, таких как сети Хопфилда.
3. Конкурентное обучение (Competitive learning):
В конкурентном обучении нейроны конкурируют друг с другом за право активироваться в ответ на входной сигнал. Только один нейрон (или небольшая группа нейронов) активируется в каждом шаге обучения. Этот нейрон, называемый "победителем", корректирует свои веса, чтобы лучше соответствовать входному сигналу. Другие нейроны не изменяют свои веса.
Процесс обучения обычно включает следующие шаги:
1. Представление входного сигнала: Входной сигнал подается на входной слой сети.
2. Вычисление расстояния: Каждый нейрон вычисляет расстояние между своим вектором весов и входным сигналом (например, используя евклидово расстояние).
3. Выбор победителя: Нейрон с наименьшим расстоянием объявляется победителем.
4. Коррекция весов: Веса победителя корректируются, чтобы приблизить его вектор весов к входному сигналу. Эта корректировка обычно выполняется с использованием формулы:
w<sub>i</sub>(t+1) = w<sub>i</sub>(t) + η(x - w<sub>i</sub>(t))
где:
* w<sub>i</sub>(t) - вектор весов нейрона i на шаге t;
* η - скорость обучения;
* x - входной сигнал.
Конкурентное обучение используется для кластеризации данных и создания самоорганизующихся карт Кохонена (SOM). Оно эффективно для задач, где нужно выделить основные характеристики данных и сгруппировать похожие данные вместе.
