- •Введение
- •1. Краткие общие сведения о применении инс
- •Основные параметры искусственного
- •Общие характеристики инс
- •Основные свойства инс Параллельная обработка информации.
- •2. Инструментальные средства реализации инс
- •3. Применение программного пакета statistica neural networks (snn)
- •Основные виды нейронных сетей
- •Порядок работы
- •Задания
- •Основные данные для определения необходимости капитального ремонта автомобиля
- •Контрольные вопросы
- •Лабораторная работа №2 тестирование нейросети для решения задачи классификации
- •Порядок работы
- •Задания
- •Основные данные для определения типа транспортного средства
- •Контрольные вопросы
- •Лабораторная работа № 3 создание наборов нейронных сетей
- •Порядок работы
- •Задания
- •Основные данные для определения предоставления кредита
- •Контрольные вопросы
- •Лабораторная работа № 4 нейронные сети с радиальной базисной функцией
- •Порядок работы
- •Задания
- •Основные данные для определения типа банка
- •Контрольные вопросы
- •Лабораторная работа № 5 построение и обучение нейронной сети кохонена, анализ топологической карты
- •Порядок работы
- •Задания
- •Основные данные для определения неисправности в топливной колонке
- •Контрольные на вопросы
- •Лабораторная работа № 6 задача выбора входных переменных в прогнозировании данных
- •Порядок работы
- •Задания
- •Основные наблюдения для определения класса устройства
- •Контрольные вопросы
- •Приложение
- •Данные файла Вентилятор.Stw
- •Данные файла Вуз.Sta для определения поступления в вуз абитуриента
- •Библиографический список
- •Оглавление
- •Для заметок
- •644099, Омск, ул.П.Некрасова, 10
1. Краткие общие сведения о применении инс
Определение 1. ИНС – это упрощенная модель нервной ткани биологического мозга.
Определение 2. ИНС представляет собой совокупность простых дискретно-непрерывных вычислительных элементов – искусственных нейронов, каждый из которых имеет определенное количество входов (дендридов) и единственный выход (аксон), разветвления которого подходят с синапсом, связывающим его с другими нейронами (рис.1).
Определение 3. ИНС – это объединение искусственных нейронов, организованных слоями.
Определение 4. ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами.
Рис. 1. Математическая (кибернетическая) модель искусственного нейрона
Основные параметры искусственного
(формального) нейрона[1,7]
Входные сигналы Xi – данные, поступающие из окружающей среды или от других нейронов.
Весовые коэффициенты Wi определяют силу связи между нейронами.
Потенциал (уровень активации) Р выражается взвешенной суммой его входных сигналов.
Передаточная (активационная) функция (функция возбужде-
ния или переноса) F служит для вычисления выходного сигнала Y нейрона.
Наиболее распространенные виды передаточной (активационной) функции F представлены на рис. 2.
Общие характеристики инс
Топология сети – шаблон, определяющий наличие связей между слоями нейронов и архитектуру ИНС (рис. 3) [6].
Рис.2. Типы передаточных (активационных) функций:
а – пороговая (единичного скачка); б – линейная;
в – логическая (сигмоидальная)
Используемый алгоритм обучения работы сети.
Жизненный цикл ИНС как адаптивной системы состоит из этапа обучения и этапа решения (моделирования) задач.
Парадигмы обучения (определяются доступностью необходимой информации):
обучение с учителем, когда для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход, т.е. наличие обучающей пары, например, метод обратного распространения ошибки;
обучение без учителя, когда сеть учится самостоятельно формировать выходные векторы для каждого вектора из обучающего множества, например, методом Хебба [7];
смешанное обучение, часть весов определяется посредством обучения с учителем, а другая часть с помощью алгоритмов самообучения [5].
Рис. 3. Варианты наиболее распространенных архитектур ИНС
Основные свойства инс Параллельная обработка информации.
ИНС – вычислительная система с большим количеством параллельно работающих нейронов в качестве простейших процессоров и множеством связей между ними, что обеспечивает высокую скорость обработки информации.
Способность к обучению – адаптация ИНС к предъявляемой обучающей выборке путем модификации ее параметров.
Самообучение – формирование выходов ИНС как реакции на входные воздействия, которое может происходить самостоятельно.
Способность к адаптации – в условной начальной неопределенности и изменяющихся условиях работы достижение стабильного состояния ИНС путем корректировки параметров, структуры и управляющих воздействий ИНС.
Универсальность обработки информации – способности ИНС к обобщению, абстрагированию, ассоциациям.
Свойство надежности – отказ некоторой части нейронов не при-
водит к нарушению функционирования всей ИНС при условии содержания в сети большого, избыточного количества нейронов.
Построение ИНС для решения поставленной задачи заключается
в выборе типа соединений нейронов (нейросетевой топологии), определении вида передаточных (активационных) функций элементов и обучения путем модификации весовых коэффициентов (синоптических весов) межнейронных связей.
Процесс обучения ИНС включает формирование обучающей выборки, содержащей сведения о моделируемом объекте или явлении, выполнение принятого алгоритма обучения сети и тестирование обученной ИНС.
В качестве примеров коммерческого применения ИНС можно привести следующие:
выявление степени рисков при выдаче кредитов банками. Путем анализа сведений по фирме и бизнес-плану кредита [1];
прогнозирование валютного курса с учетом параметров экономической и политической обстановки страны [8];
диагностика болезни пациентов на основании мониторинга артериального давления, результатов анализов, электрокардиограммы и других данных пациента [1];
диагностика элементов добывающих систем механизированного фонда нефтегазовых скважин с использованием самоорганизующихся ИНС (карт) Кохонена на основании таблицы диагностических признаков, которая содержит контролируемые и вычисляемые параметры, нормальные и дефектные состояния [3, 4].