- •1)Компьютеры и мозг. Нейрокомпьютеры
- •2)Нейрокомпьютеры, их особенности и архитектура
- •3)Одиночный нейрон, топология и функции активации
- •4)Персептрон Розенблата. Алгоритм обучения
- •5)Классификация базовых архитектур, типы обучения
- •6)Дельта-обучающее правило нс (линейная функция активации)
- •7)Дельта-обучающее правило нс (нелинейная функция активации)
- •8)Нс – обучение с учителем (метод обратного распространения ошибки)
- •10. Сжатие многомерной информации на основе метода главных компонент.
- •9. Обучение без учителя – сжатие информации.
- •11. Физический смысл и информационная значимость собственных чисел в методе главных компонент.
- •12. Нейрон индикатор – правило обучения Хебба.
- •13. Нейрон индикатор – правило обучения Ойя.
- •14. Соревновательное обучение нейронов – кластеризация.
- •15. Победитель забирает все
- •17. Рекуррентные сети (ассоциативная память).
- •18. Сеть Хопфилда как ассоциативная память
- •19. Сеть Хэмминга.
- •20. Методы предварительной обработки данных.
- •Обработка данных методом независимых компонент.
- •22. Нс и статистика – связь и отличия.
- •23. Томография – проекции.
- •24. Теорема о проекционном срезе.
- •25. Алгоритм фильтрованной обратной проекции.
- •26. Влияние числа проекций на эффективность томографического восстановления.
- •27. Природа численной неустойчивости алгоритма фильтрованной обратной проекции.
- •Статистические характеристики для классификации текстур.
- •1. Математическое ожидание (expected value) случайной величины
- •2.Дисперсия (variance) случайной величины.
- •3. Cтандартное отклонение (standard deviation). Одно из важнейших понятий математической статистики.
- •Спектрально-коррелляционные характеристики классификации текстур.
- •Выделение информативных признаков сигналов и изображений в пространстве параметров модели линейного предсказания.
- •31. Классификация сигналов в пространстве параметров нелинейной модели Вольтера.
31. Классификация сигналов в пространстве параметров нелинейной модели Вольтера.
Характерной особенностью любой нелинейной системы является то обстоятельство, что её АЧХ зависит от расстояния между двумя импульсами.
Как известно, анализ нелинейных динамических систем точными методами затруднен ввиду большой их сложности. Поэтому большое применение получили приближенные методы исследования нелинейных систем, напри- мер метод рядов Вольтера. Для исследования эффективности этого метода была проведена детализация модели нелинейной динамической системы на основе СВЧ-ТУМ. При анализе линейных систем усиления для аналитического и численного исследования широко используются передаточные функции и их частный случай — комплексные коэффициенты передачи, чаще в виде частотных характеристик. Аналогично описание нелинейных динамических систем на основе функциональных рядов Вольтерра приводит к много мерным передаточным функциям, изображениям ядер ряда Вольтерра. Метод ряда Вольтерра позволяет исследовать системы со слабыми нелинейностями и может занять промежуток между методами анализа линейных систем и методами анализа нелинейных систем с существенными нелинейностями.
При использовании ряда Вольтерра выходной сигнал мультичастотной системы может быть представлен в виде:
Здесь qk(τ1, τ2, …, τk) – ядро ряда Вольтерра k-й степени, k-мерная весо- вая функция. Фактически ряд Вольтерра является обобщением интеграла свертки (интеграла Дюамеля), широко используемого в теории линейных це- пей, ядра характеризуют их импульсные характеристики цепи. В результате такого представления а, можно построить модель системы в виде параллельного соединения звеньев, соответствующих каждому из слагаемых ряда.
