- •Приближенные числа
- •Правила вычислений с приближенными числами.
- •Приближенное решение алгебраических и трансцендентных уравнений. Отделение корней и уточнение приближенных корней. Графическое решение уравнений.
- •Метод половинного деления (метод «вилки»).
- •Метод хорд.
- •Метод Ньютона (метод касательных).
- •Метод итерации. Приведение уравнений к виду, удобному для итерации.
- •Приближенное решение систем линейных уравнений. Метод итераций.
- •Приближенное решение систем нелинейных уравнений. Метод итерации.
- •Постановка задачи интерполирования функций. Общее решение задачи интерполирования функции полиномом.
- •Интерполяционная формула Лагранжа
- •Интерполирование сплайнами
- •14 Аппроксимирование функций (15 не нашли)
- •Аппроксимирование функций. Метод ортогональных функций.
- •Квадратурная формула Ньютона-Котеса
- •Квадратурная формула Гаусса
- •Численные метода решения задачи Коши для обыкновенных дифференциальных уравнений. Метод Эйлера. Метод Эйлера-Коши
- •Метод Рунге-Кутта
- •Редукция к задаче Коши двухточечной краевой задачи для линейного уравнения второго порядка.
- •Метод коллокации.
- •23.Аппроксимация производных конечно-разностными соотношениями.
- •Метод конечных разностей численного решения обыкновенных дифференциальных уравнений.
- •Принципы построения сеток на плоскости и в пространстве.
- •26. Построение разностных схем для уравнений параболического типа.
- •27. Экстремумы функций. Классификация методов безусловной оптимизации.
- •28. Общая характеристика методов оптимизации нулевого порядка.
- •Метод прямого поиска (метод Хука-Дживса).
- •Метод деформируемого многогранника (метод Нелдера-Мида).
- •Метод вращающихся координат (метод Розенброка).
- •Метод параллельных касательных (метод Пауэлла).
- •Общая характеристика методов оптимизации первого порядка.
- •34.Метод наискорейшего спуска
- •35. Общая характеристика методов оптимизации второго порядка. Метод Ньютона.
- •36. Метод Ньютона с регулировкой шага (метод с переменной метрикой)
- •37. Метод статистических испытаний (метод Монте-Карло)
- •38. Вычисление кратных интегралов методом Монте-Карло
- •39. Структура искусственной нейронной сети (инс)
- •40. Компьютерная модель нейрона (нейроэлемента, нэ)
- •41. Функции активации нейроэлементов
- •45.Методы обучения элементарного перцептрона.
- •46.Многослойный перцептрон.
- •47. Понятие обучающей выборки.
38. Вычисление кратных интегралов методом Монте-Карло
Пусть функция непрерывна в ограниченной замкнутой области S и требуется вычислить m-кратный интеграл
.
Геометрически число I представляет собой (m+1)-мерный объём прямого цилиндроида в пространстве 0x1x2…xmy, построенного на основании S и ограниченного сверху данной поверхностью y=f(x), где x=(x1,x2,…,xm).
Преобразуем интеграл (1) так, чтобы новая область интегрирования целиком содержалась внутри единичного m-мерного куба. Пусть область S расположена в m-мерном параллелепипеде
. (2)
Сделаем замену переменных . (3)
Тогда, очевидно, m-мерный параллелепипед (2) преобразуется в m-мерный единичный куб (4)
и, следовательно, новая область интегрирования σ, которая находится по обычным правилам, будет целиком расположена внутри этого куба.
Вычисляя якобиан преобразования, будем иметь:
Таким образом, ,
где .
Введя обозначения и , запишем интеграл (5) короче в следующем виде: . (5/)
Укажем способ вычисления интеграла (5/) методом случайных испытаний.
Выбираем m равномерно распределённых на отрезке [0, 1] последовательностей случайных чисел:
Точки можно рассматривать как случайные. Выбрав достаточно большое N число точек , проверяем, какие из них принадлежат области σ (первая категория) и какие не принадлежат ей (вторая категория). Пусть
1. при i=1, 2, …, n (6)
2. при i=n+1, n+2, …,N (6/)
(для удобства мы здесь изменяем нумерацию точек).
Заметим, что относительно границы Г области σ следует заранее договориться, причисляются ли граничные точки или часть их к области σ, или не причисляются к ней. В общем случае при гладкой границе Г это не имеет существенного значения; в отдельных случаях нужно решать вопрос с учётом конкретной обстановки.
Взяв достаточно большое число n точек , приближённо можно положить: ; отсюда искомый интеграл выражается формулой , где под σ понимаетсяm-мерный объём области интегрирования σ. Если вычисление объёма σ затруднительно, то можно принять: , отсюда . В частном случае, когда σ есть единичный куб, проверка становится излишней, то есть n=N и мы имеем просто .
Число испытаний N не зависит от размерности интеграла I и поэтому метод Монте-Карло выгодно применять для вычисления кратных интегралов высоких размерностей, где применение обычных кубатурных формул встречает значительные затруднения.
39. Структура искусственной нейронной сети (инс)
Искусcтвенные нейронные сети (ИНС) также называют просто «нейронная сеть» (НС), это математическая или компьютерная модель построенная по принципу работы биологических нейронных сетей ‑сетей нервных клеток живого организма. ИНС состоит из связанной группы искусственных нейронов и обрабатывает информацию, используя коннективисткий (коннективизм) подход для вычислений. В большинстве случаев ИНС – это адаптивная система, которая изменяет свою структуру, основываясь на обработке на входящей или исходящей информации, которая течет через сеть во время фазы обучения. Другими словами, нейронные сети – инструменты для моделирования нелинейных статистических данных. ИНС используется, для моделирования сложного отношения между входами (input) и выходами (output), или для распознавания образов среди данных.
Схема простой нейросети.Зелёным обозначены входные элементы, жёлтым ‑ выходной элемент.
В модели нейронной сети, простые узлы (их называют по разному «нейроны», «нейроды» (neurodes), «ОЭ» (обрабатывающие элементы), или «юниты») связаны друг с другом и образуют сеть узлов, отсюда и название НС. Поскольку НС не должны быть адаптивными по существу, на практике вместе с ними используют алгоритмы, разработанные для изменения загруженности связей в сети, чтобы пропустить необходимый сигнал.Еще одно подобие биологическим нейронным сетям в том, что функции выполняются юнитами все вместе, параллельно.