- •Ассимилированная информация – представление сведений в сознании человека, наложенное на систему его понятий.
- •Документированная информация – сведения, зафиксированные в знаковой форме на каком-то физическом носителе.
- •Передаваемая информация – сведения, рассматриваемые в момент передачи информации от источника к приемнику.
- •По отношению к данной управляющей системе информацию можно разделить на входную, выходную и внутреннюю.
- •По времени возникновения и существования информация подразделяется на перспективную и ретроспективную. ……………..
- •2.2.1. Отношение, схема отношения. Формализация отношений
- •2.2.3. Функциональные зависимости между данными (f-зависимости и их свойства)
- •Тема 2.3. Схемы баз данных
- •Понятие, содержание и методика проектирования эис (слд 58) жизненный цикл экономической информационной системы
- •Пример постановки и уточнения задач
- •Информационные технологии в управлении
- •Основные положения методологии mrp
- •Основные направления компьютеризации бухгалтерского учета Основные факторы, определяющие особенности бухгалтерского учета
- •Общая характеристика ксбу
- •Соответствие информационных технологий ксбу масштабу предприятия
- •Фирмы-разработчики, программные продукты
- •Конкурентные преимущества системы "бэст-5"
- •Классификация программных продуктов для ксбу
- •1С: Предприятие
- •Система программ 1с:Предприятие. Особенности сетевых решений 1с
- •Решения на базе системы 1с:Предприятие
- •Особенности сетевых решений
- •Системы начального уровня
- •Решения уровня отдела
- •Решения масштаба предприятия
- •Базовые понятия 1с:Предприятия (слд 104)
- •Режимы ввода информации в среде 1с:Предприятие
- •1С: Бухгалтерия Возможности организации учета в системе 1с: Предприятие
- •Понятия компоненты «Бухгалтерский учет»
- •План счетов 1с:Бухгалтерия 7.7. Формат. Настройка (в т.Ч. Проблема разделения субсчета в процессе эксплуатации) Особенности настройки счетов по субконто
- •Начальное сальдо. Ввод начальных остатков. (слд 121) Типовые операции в 1с:Бухгалтерии
- •Документы. Отчеты.
- •Компьютерные системы финансового анализа и бизнес-планирования
- •Информационно-правовые системы (слд 133)
- •Автоматизация офисной деятельности Задачи автоматизации офисной деятельности
- •Основные функции сад
- •Контроль исполнения
- •Обработка и хранение документов
- •Работа с взаимосвязанными документами
- •Поточный ввод документов
- •Движение документов
- •Обеспечение юридической полноценности
- •Отправка документов
- •Нейросетевые системы Общие сведения о нс
- •Проблемная специализация нейросетевых вычислительных систем (слд 173)
- •Типы нейросетей
- •Основы построения алгоритмов обучения нейросетей
- •Организация функционирования нейросети
- •Гис в экономике
- •Предпосылки существования глобального электронного рынка
- •Internet – витрина
- •Internet – магазин
Типы нейросетей
Теория искусственных нейронных сетей в настоящее время проходит этап активного развития, что обусловливает разнообразие постановок проблем и основных определений. Исследователи наделяют искусственные нейроны разнообразными свойствами, которые, по их мнению, адекватны функциям биологических нейронов и позволяют получать решение актуальных для исследователя задач.
В рамках данной книги будем придерживаться следующих формулировок основных понятий нейронных сетей [37-39].
Искусственный нейрон, далее просто нейрон j, j є {I, 2,...}, задается совокупностью своих входов хji, i є {1,2,...}, весами входов wji, функцией состояния sj и функцией активации fj.
Функция состояния определяет состояние нейрона в зависимости от значений его входов, весов входов и, возможно, предыдущих состояний. Наиболее часто используются функции состояния, не зависящие от предыдущего состояния, вычисляемые либо как сумма произведений значений входов на веса соответствующих входов по всем входам
n(j)
sj = ∑ xji * wji ,
i=1
где - n(j) - число входов нейрона j,
либо как расстояние между вектором входов Xj = {хji} и вектором весов входов Wj = {wji}, измеряемое в какой-либо метрике, например,
sj = ∑|wji - xji,|
Одноместная функция активации у = f(s) определяет выходной сигнал нейрона как функцию его состояния s. Наиболее распространенными функциями являются ступенчатая пороговая, линейная пороговая, сигмоидная, также линейная и гауссиана.
Линейные нейронные сети используют нейроны с линейной функцией активации. Нелинейные применяют нелинейную функцию активации, например, пороговую или сигмоидную.
Нейронная сеть образуется путем объединения ориентированными взвешенными ребрами выходов одних нейронов с входами других. При этом граф межнейронных соединений может быть ациклическим либо произвольным циклическим. Вид графа служит одним из классификационных признаков типа нейронной сети, разделяющим сети на сети без циклов и циклические. Примеры нейронных сетей этих типов приведены на рис. 2 , 3.
Рис. 7.1. Пример нейронной сети без циклов
|
Рис. 7.2. Пример циклической нейронной сети
|
Разнообразие этих алгоритмов задаваемых конструкциями НС ничем не ограничено, так как можно использовать нейроны с различными функциями активации, различными функциями состояния, двоичными, целочисленными, вещественными и другими значениями весов и входов. Поэтому в терминах нейронных сетей можно описывать решение как хорошо формализованных задач, например, задач математической физики, так и плохо формализуемых задач распознавания, классификации, обобщения и ассоциативного запоминания.
Сети могут быть конструируемыми или обучаемыми. В конструируемой сети число и тип нейронов, граф межнейронных связей, веса входов нейронов определяются при создании сети, исходя из решаемой задачи. Функционирование такой сети заключается в следующем. При подаче на входы частичной или ошибочной входной последовательности сеть через какое-то время переходит в одно из устойчивых состояний, предусмотренных при ее конструировании.
В обучаемых сетях их графы межнейронных связей и веса входов изменяются при выполнении алгоритма обучения. По алгоритму обучения сети делятся на наблюдаемые, ненаблюдаемые и смешанные (гибридные). Первые при обучении сравнивают заранее известный выход с получившимся значением.
Вторые обучаются, не зная заранее правильных выходных значений, но группируя "близкие" входные векторы так, чтобы они формировали один и тот же выход сети. Ненаблюдаемое обучение используется, в частности, при решении задачи кластеризации. При смешанном алгоритме обучения часть весов определяется при наблюдаемом, а часть - при ненаблюдаемом обучении.
Обучение осуществляется путем предъявления примеров, состоящих из наборов входных данных в совокупности с соответствующими результатами при наблюдаемом обучении и без последних при ненаблюдаемом. Эффективность решения задач нейронной сетью зависит от выбранной структуры нейронной сети, используемого алгоритма обучения, называемых в совокупности нейропарадигмой, и полноты имеющейся базы данных примеров.
