- •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
3. Модели выполнения программы
Элементарные события в кинетической машине Кирдина происходят недетерминированно и параллельно. Предлагаются некоторые простые варианты модели выполнения программы P .
3.1. Последовательная модель
Пусть в один дискретный момент времени происходит только одно элементарное событие из допустимых , в следующий момент происходит одно из допустимых событий для ансамбля Выбор этого события недетерминирован. Получаем ряд элементарных событий:
Если элементарные события и одновременно допустимы для ансамбля , то оба они могут служить продолжением выполнения программы:
и , где ансамбли и , вообще говоря, различны. Таким образом, для одной программы возможны различные временные ряды ансамблей. Если программа финитна, то все эти ряды конечны. В противном случае среди всех рядов выполнения программы существует бесконечный ряд. Для детерминированной программы все финальные ансамбли, порожденные различными рядами элементарных событий одинаковы.
3.2. Параллельно-последовательная модель
Обозначим некоторое множество совместных событий для данного ансамбляMи программыP. Все события множества происходят параллельно и приводят к ансамблюMi, далее выполняется некоторый набор совместных событий для ансамбляMi.
Разбиение на множества совместных событий S*для данного ансамбляMнеоднозначно. Различные для данного ансамбляM приводят к различным ансамблямMi . Следовательно, такой временной ряд совместных множеств элементарных событий также неоднозначен.
Пример. Пусть программаPдля кинетической машины Кирдина состоит из одной команды и имеет следующий вид: .
Ансамбль Mотождествляем с функциейFM:
FM (AK)=1, FM (BK)=1, FM (QA)=1, FM (QB)=1.
Для таких программ и ансамбля возможны четыре допустимых события, которые определяются изымаемыми ансамблями над следующими словами:
Слова AK, QAопределяют элементарное событиеS1;
Слова AK, QBопределяют элементарное событиеS2;
Слова BK, QAопределяют элементарное событиеS3;
Слова BK, QBопределяют элементарное событиеS4.
Нетрудно заметить, что не все из этих допустимых событий совместны. Выпишем полный список множеств совместных элементарных событий:
Отсюда видно, что в рамках параллельно-последовательной модели для нашего примера существует шесть различных способов перехода к следующему ансамблю.
3.3. Максимальная параллельно-последовательная модель
Множество элементарных событий, к которому нельзя добавить ни одного допустимого события, не теряя совместности, назовем максимальным множеством совместных событий . В предыдущем примере множества и являются максимальными множествами совместных событий. То есть к исходному ансамблюMможет быть применено два разных максимальных множества совместных событий, которые порождают различные ансамбли. Мы видим, что максимальная параллельно-последовательная модель также не однозначна. Переход от ансамбляMк некоторому ансамблюM’однозначно определяется только в следующих случаях:
когда ансамблю Mи программеP соответствует ровно одно допустимое событие;
(для максимальной параллельно-последовательной модели) когда весь набор допустимых событий для ансамбля Mи программыPявляется одновременно совместным.