- •Методы нейроинформатики
- •Фцп "интеграция"
- •Предисловие редактора
- •Моделирование данных при помощи кривыхдля восстановления пробелов в таблицах
- •660036, Красноярск-36, ивм со ран,
- •1. Общая схема метода
- •2. Итерационный метод главных компонент для данных с пропусками
- •3. Квазилинейные факторы и формулы Карлемана
- •4. Нейронный конвейер
- •Литература
- •Финитность и детерминированность простых программ для кинетической машины кирдина
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Понятие кинетической машины Кирдина
- •3. Модели выполнения программы
- •3.1. Последовательная модель
- •3.2. Параллельно-последовательная модель
- •3.3. Максимальная параллельно-последовательная модель
- •4. Программы, состоящие из одной команды
- •4.1. Распад
- •4.2. Синтез
- •4.3. Прямая замена
- •5. Заключение
- •ЛитературА
- •Алгоритмическая универсальность кинетической машины кирдина
- •660036, Красноярск-36, ивм со ран,
- •Литература
- •Погрешности нейронных сетей. Вычисление погрешностей весов синапсов
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Структура сети
- •3. Два базовых подхода к оценкам погрешности
- •4. Погрешности весов синапсов
- •5. Гарантированные интервальные оценки погрешностей весов синапсов
- •6. Среднеквадратические оценки погрешностей весов синапсов
- •7. Заключение
- •Литература
- •Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон
- •660036, Красноярск-36, ивм со ран,
- •Введение
- •1. Проблемы обработки таблиц экспериментальных данных
- •2. Искусственные нейронные сети
- •2.1. Элементы нейронных сетей
- •2.2. Архитектуры нейронных сетей
- •2.3. Решение задач нейронными сетями
- •2.4. Подача входных сигналов и снятие выходных сигналов сети
- •2.5. Обучение нейронных сетей
- •2.6. Вычисление градиента функции оценки по подстроечным параметрам сети
- •2.7. Факторы, влияющие на обучение нейронной сети
- •2.8. Упрощение нейронных сетей
- •2.9 Вычисление показателей значимости параметров и входных сигналов сети
- •3. Транспонированная задача регрессии
- •4. Применение нейросетевых технологий для обработки таблицы климатических данных
- •4.1. Заполнение пропусков в таблице климатических данных
- •4.2. Построение классификационной модели ландшафтных зон и секторов континентальности
- •4.2.1. Классификация ландшафтных зон Сибири
- •4.2.2. Идентификация лесных зон по континентальности
- •4.3. Прогнозирование возможного изменения ландшафтных зон и секторов континентальности
- •5. Заключение
- •Литература
- •Интуитивное предсказание нейросетями взаимоотношений в группе
- •660049, Красноярск, пр. Мира 82
- •1. Проблема оценки взаимоотношений
- •2. Общая задача экспериментов
- •3. Применяемые в экспериментах психологические методики
- •4. Эксперименты по предсказанию группового статуса
- •5. Нейросетевое исследование структуры опросника
- •6. Оценка оптимизации задачника нейросетью с позиций теории информации
- •7 Эксперименты по предсказанию парных взаимоотношений
- •Литература
- •Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями
- •660049, Красноярск, пр. Мира 82
- •1. Постановка проблемы
- •2. Аналитическое решение
- •3. Запись решения в идеологии нейросетей
- •4. Алгоритмическая часть
- •5. Оценка информационной емкости нейронной сети при помощи выборочной константы Липшица
- •6. Соглашение о терминологии
- •7. Компоненты сети
- •8. Общий элемент сети
- •9. Вход сети
- •10. Выход сети
- •11. Синапс сети
- •12. Тривиальный сумматор
- •13. Нейрон
- •14. Поток сети
- •15. Скомпонованная полутораслойная поточная сеть
- •Литература
- •Использование нейросетевых технологий при решении аналитических задач в гис
- •660036, Красноярск-36, ивм со ран,
- •Литература
- •Использование нейросетевых технологий для проведения учебно-исследовательских работ
- •1. Введение
- •2. Зимняя Политехническая Школа по Нейроинформатике
- •3. Задачи
- •4. Результаты
- •5. Перспективы
- •Литература
- •Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Логически прозрачные нейронные сети
- •2.1. Архитектура логически прозрачных сетей
- •2.2. Критерии логической прозрачности нейронной сети
- •2.3. Требования к нелинейности элементов
- •3. Контрастирование нейронов
- •4. Приведение нейронных сетей к логически прозрачному виду
- •4.1. Наложение ограничений на архитектуру нейросети
- •4.2. Упрощение нейросети
- •4.3. Приведение настраиваемых параметров сети к предельным значениям и модификация нелинейных преобразователей нейронов
- •4.4. Проведение эквивалентных преобразований структуры нейросети
- •5. Вербализация нейронных сетей
- •6. Автоматическая генерация полуэмпирических теорий
- •7. Когнитологические аспекты
- •8. Влияние функции оценки на логическую прозрачность сети. Исключение примеров
- •9. Как выбирают американских президентов
- •10. Заключение
- •Литература
- •Содержание
Литература
ГеоГраф, GeoDraw– профессиональные отечественные ГИС для широкого круга пользователей// ГИС – обозрение. Зима, 1994. С.24 – 25.
Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А. Контрастирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях. //Нейроинформатика и ее приложения: МатериалыIII Всероссийского семинара; КГТУ. Красноярск, 1995. – 229 с.
Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосибирск: Наука, 1996. – 276с.
Коновалова Н.В., Капралов Е.Г. Введение в ГИС. – М., 1997. – 160 с.
Хаксхолд В. Введение в городские географические информационные системы. New York: Oxford, 1991.– 321 с.
Цветков В.Я. Геоинформационные системы и технологии. – М.: Финансы и статистика, 1998. – 288 с.
Использование нейросетевых технологий для проведения учебно-исследовательских работ
Л.А. Жуков
Сибирский государственный технологический университет
(660049, Красноярск, пр. Мира, 82, СибГТУ, кафедра ИТ)
Описан опыт работы автора по организации и проведению занятий по нейроинформатике в Сибирском государственном технологическом университете (СибГТУ). В работе приводится анализ творческих возможностей школьников старших классов и студентов для проведения исследований с использованием нейроинформационных технологий. Приведены результаты выполнения некоторых учебно-исследовательских работ. Показаны относительная простота и доступность нейроинформатики и нейроинформационных технологий для студентов и школьников старших классов.
1. Введение
Наличие у школьников и студентов знаний и умений по информатике стало одним из важнейших условий подготовки к профессиональной деятельности в любой области. В настоящее время происходит массовое распространение различных книг, пособий и учебников, работает большое количество различных курсов, предмет «Информатика» введен в государственный образовательный стандарт и в учебные планы большинства учебных заведений. Однако до сих пор существует большое количество различных проблем с изучением и обучением информатике - нехватка современных компьютеров, недостаток хороших учебных пособий, отсутствие лицензионного программного обеспечения и квалифицированных школьных учителей. Одна из причин указанного заключается в задержке начала развития информатики в СССР и последующем нашем технологическом отставании.
С конца 80-х годов во всем мире активно развивается новый раздел знания на стыке информационной науки и математики – нейроинформатика. Главные результаты, получаемые обществом от нейроинформатики - решение различных трудноформализуемых прикладных задач. Для решения практических задач разрабатываются специальные математические методы, программное обеспечение. Многое доступно уже сейчас. Сразу же встает вопрос - кто в этом разбирается и где взять программное обеспечение?
Нужно сделать оговорку, что в данной работе не обсуждаются источники, достижения и перспективы самой науки, для этого достаточно сослаться на большой список литературы, изданной только в Красноярской школе нейроинформатики [1-14]. Этот список намеренно неполон, чтобы привести полный список работ, опубликованных на русском языке, требуется написать еще одну такую статью, а на английском языке публикуются многотомные сборники тезисов конференций и множество книг. Тем не менее, надо подчеркнуть некоторое отставание в уровне развития нейроинформатики, по крайней мере, по уровню известности и количеству прикладных работ.
В Красноярске с конца 80-х и особенно активно в 90-е годы создана Красноярская научная школа нейроинформатики, кузница научных и педагогических кадров. Начиная с 1993 года в Красноярске проходят ежегодные всероссийские семинары (конференции) по Нейроинформатике. В работе этих конференций участвуют не только ученые и специалисты, но и студенты и даже школьники, если им есть что сказать. Ведущий ученый в Красноярской научной школе нейроинформатики - д.ф.-м.н. А.Н. Горбань. В этой школе также работают д.м.н. Д.А. Россиев, к.ф.-м.н. В.А. Охонин, к.ф.-м.н. Е.М. Миркес, к.ф.-м.н. С.Е. Гилев и другие.
Для существования и развития Красноярской научной школы нейроинформатики, как и для любой другой школы, нужен постоянный приток школьников и студентов. Это способствует развитию и распространению новых идей и способов обработки информации, развитию информационных технологий. Нужны молодые энтузиасты - разработчики и пользователи нейропрограмм. Первым шагом стала организация и проведение в 1991 году 1-й Всесоюзной Олимпиады по нейроинформатике и нейрокомпьютерам. После этого несколько раз проводились Школы Нейроинформатики, параллельно с всероссийскими семинарами по Нейроинформатике, но участвовали в них студенты, аспиранты и молодые ученые.