- •Штучні нейронні мережі
- •Лекція 1. Штучні нейронні мережі
- •Лекція 2. Детальний опис компонент нейронних мереж
- •Лекція 3. Вибір мережі
- •Лекція 4. Нейронна мережа на основі моделі "Функціонал на множині табличних функцій"
- •Лекція 5. Нейромережі в задачах відображення
- •Лекція 6. Сучасні напрямки розвитку нейрокомп'ютерних технологій
- •Штучні нейронні мережі
- •Історія нейронних мереж
- •Аналогія з мозком
- •Біологічний нейрон
- •Штучний нейрон
- •Штучні нейронні мережі
- •Навчання штучної нейронної мережі
- •Обґрунтованість застосування нейромереж
- •Машина фон Неймана у порівнянні з біологічної нейронною системою
- •Детальний опис компонент нейронних мереж
- •Розширена модель штучного нейрона
- •Компоненти штучного нейрона
- •Архітектура з'єднань штучних нейронів
- •Нейронні мережі
- •Навчання штучної нейронної мережі Контрольоване навчання
- •Неконтрольоване навчання
- •Оцінки навчання
- •Правила навчання
- •3Вибір мережі
- •Перцептрон Розенбалата
- •Алгоритм навчання одношарового перцептрона
- •Нейромережа зворотного поширення похибки (Back Propagation)
- •Алгоритм навчання мережі
- •Скерований випадковий пошук
- •Нейронна мережа вищого порядку або функціонально-пов'язана нейронна мережа
- •Мережа Кохонена
- •Алгоритм функціонування мережі Кохонена:
- •Квантування навчального вектора (Learning VectorQuantization)
- •Мережа зустрічного поширення (CounterРropagation)
- •Навчання мережі
- •Функціонування мережі
- •Імовірнісна нейронна мережа
- •Мережа Хопфілда
- •Алгоритм функціонування мережі
- •Машина Больцмана
- •Алгоритм функціонування мережі
- •Мережа Хемінга
- •Алгоритм функціонування мережі Хемінга
- •Двоскерована асоціативна пам'ять
- •Мережа адаптивної резонансної теорії
- •Алгоритм функціонування мережі
- •Нейронна мережа на основі моделі "Функціонал на множині табличних функцій"
- •Базові концепції моделі "Функціонал на множині табличних функцій"
- •Навчання та функціонування нейромережі фтф
- •Алгоритм для режиму навчання нейромереж
- •Алгоритм для режиму функціонування нейромережі
- •Особливості формування передатних функцій
- •Нейромережі в задачах відображення
- •Типи задач відображення і підходи до їх вирішення
- •Задачі прогнозування
- •Адаптація нейромереж в режимах прогнозування
- •Однопараметрична задача прогнозування
- •Множина даних для однопараметричної задачі
- •Багатопараметрична задача прогнозування
- •Множина даних для багатопараметричної задачі
- •Однокрокове прогнозування (передбачення)
- •Багатокрокове прогнозування
- •Багатокрокове прогнозування з перенавчанням нейромережі на кожному кроці прогнозу
- •Критерії оцінки якості функціонування мережі
- •Оцінювання точності прогнозів
- •Сучасні напрямки розвитку нейрокомп'ютерних технологій
- •Традиційні задачі
- •Прикладні задачі
- •Загальні задачі
- •Обробка зображень
- •Обробка сигналів
- •Нейрокомп'ютери в системах керування динамічними об'єктами
- •Нейромережеві експертні системи
- •Нейрочіпи і нейрокомп'ютери
- •Підсумок
Традиційні задачі
Багато розробників та користувачів намагаються вирішити за допомогою нейрокомп'ютерів прості задачі, як додавання чисел, множення, ділення, витяг кореня, обертання чисел і т.п. Дійсно, при орієнтації на нейромережеві алгоритми ці операції можна реалізувати значно ефективніше, ніж на відомих булевских елементах. Нейронні мережі спроможні до рішення систем лінійних рівнянь і нерівностей, оберненні матриць, сортування за допомогою нейрокомп'ютерних технологій.
Прикладні задачі
Як правило множина задач прикладної нейроматематики не вирішуються відомими типами обчислювальних машин.
Загальні задачі
Це задачі досить просто зводяться до обробки нейронною мережею багатовимірних векторів дійсних змінних, наприклад:
контроль кредитних карток. Сьогодні 60% кредитних карток у США обробляються за допомогою нейромережевих технологій;
система схованого виявлення речовин за допомогою системи на базі теплових нейронів і за допомогою нейрокомп'ютера на замовлених цифрових нейрочипах. Подібна система фірми SAIC експлуатується вже в багатьох аеропортах США при огляді багажу для виявлення наркотиків, вибухових речовин, ядерних і інших матеріалів;
система автоматизованого контролю безпечного збереження ядерних виробів.
Обробка зображень
Найбільш перспективними задачами обробки зображень нейрокомп'ютерами є обробка аерокосмічних зображень (стиснення із відновленням, сегментація, обробка зображень), пошук, виділення і розпізнавання на зображенні рухомих об'єктів заданої форми, обробка потоків зображень, обробка інформації у високопродуктивних сканерах.
Обробка сигналів
У першу чергу це клас задач, зв'язаних із прогнозуванням часових залежностей:
прогнозування фінансових показників;
прогнозування надійності електродвигунів;
передбачення потужності АЕС і прогнозування надійності систем електроживлення на літаках;
обробка траекторних вимірів.
При рішенні цих задач спостережується перехід від найпростіших регресійних і інших статистичних моделей прогнозу до істотно нелінійних адаптивних екстраполюючих фільтрів, реалізованих у вигляді складних нейронних мереж.
При обробці гідролокаційних сигналів нейрокомп'ютери застосовуються при безпосередній обробці сигналу, розпізнаванні типу надводної чи підвідної мети, визначенні координат мети. Сейсмічні сигнали за структурою дуже близькі до гідролокаційного. Оброблені нейрокомп'ютером сигнали дозволяють одержати з достатньою точністю дані про координати і потужність землетрусу або ядерного вибуху. Нейрокомп'ютери почали активно використовувати при обробці сейсмічних сигналів у нефтегазорозвідці. У Міжнародному товаристві по нейронних мережах для цього створена специальна група.
Нейрокомп'ютери в системах керування динамічними об'єктами
Це одна із самих перспективних, областей застосування нейрокомп'ютерів. В США і Фінляндія ведуть роботи з використання нейрокомп'ютерів для керування хімічними реакторами. В країнах СНД цим не займалися, зокрема, через моральне застаріння існуючих реакторів і недоцільності вдосконалення їхніх систем керування.
Перспективної вважається розробка нейрокомп'ютера для керування рухливою установкою гіперзвукового літака. Фактично єдиним варіантом реалізації високопаралельної обчислювальної системи керування дзеркалами (100-400 дзеркал) адаптивного складеного телескопа сьогодні є нейрокомп'ютер. Могутній нейрокомп'ютер може забезпечити адаптивні режими керування цим складним об'єктом за критерієм забезпечення максимальної високої якості зображення і компенсації атмосферних збурювань.
Доцільним для вирішення за допомогою нейрокомп'ютера є задача навчання нейронної мережі виробленню точного маневру винищувача, задача керування роботами: пряма, зворотна кінематичні і динамічні задачі, планування маршруту руху робота. Перехід до нейрокомп'ютерів тут зв'язаний у першу чергу з обмеженістю обсягів розміщення обчислювальних систем, а також з необхідністю реалізації ефективного керування в реальному масштабі часу.
