Реферат: Алгоритмы нейрокибернетики - текст реферата. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Реферат

Алгоритмы нейрокибернетики

Банк рефератов / Программирование

Рубрики  Рубрики реферат банка

закрыть
Категория: Реферат
Язык реферата: Русский
Дата добавления:   
 
Скачать
Архив Zip, 44 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникального реферата

Узнайте стоимость написания уникальной работы

Искусственный интеллект с алгоритмами ней рокибернетики Вступление Я занялся разработкой программ комплекса “Искусс твенный интеллект” потому что ИИ ( Искусственный интеллект ) – это одна из самых перспективных и быстроразвивающихся областей науки . И в результате работы был создан программный комплекс , в составе которого : К омпонент нейронной сети Программа распознавания графических образов на основе компонента НС ( Нейронная сеть ) , способная распозна вать графические файлы : · Образцы росписей · Образцы иконок прог рамм · Образцы цифр шрифта AWARD BIOS · Компонент экспертной системы · Демонстрационная програ мма к компоненту ЭС (Экспертной системы ) · Подробная справочная система · Проведен ряд экспер иментов с нейронной сетью , данные систематизи рованы. Т.О . программный комплекс содержит возможности построения про грамм на осн ове компонентов НС и ЭС , однако чтобы не разбрасываться я предп очел остановиться на Нейронной сети в силу ее наглядности , достаточной сложности и реальной возможности применения . Я намеренно уделил так мало внимания экспертным системам , по моему мн ению НС являются гораздо более перспект ивным направлением в области программирования ИИ. Область применения нейронных сетей В литературе встречается значительное чис ло признаков , которыми должна обладать задача , чтобы применение НС было оправдано и НС могла бы ее решить : · отсутствует алгоритм или не известны принципы решения задач , но накоплено достаточное число примеров ; · проблема характеризуетс я большими объемами входной информации ; · данные неполны или избыточны , зашумлены , частично противоречивы. Таким обр азом , НС хорошо подходят для распознав ания образов и решения задач классификации , оптимизации и прогнозирования . Ниже приведен перечень возможных промышленных применений ней ронных сетей , на базе которых либо уже созданы коммерческие продукты , либо реализо в аны демонстрационные прототипы. Банки и страховые компании : · автоматическое считыван ие чеков и финансовых документов ; · проверка достоверности подписей ; · прогнозирование изменен ий экономических показателей. Административное обслуживание : · автомати ческое считывание документов ; · автоматическое распозна вание штриховых кодов. Нефтяная и химическая промышленность : · анализ геологической информации ; · идентификация неисправн остей оборудования ; · разведка залежей ми нералов по данным аэрофотосъемок ; · анализ составов при месей ; · управление процессами. Военная промышленность и аэронавтика : · обработка звуковых сигналов (разделение , идентификация , локализация , у странение шума , интерпретация ); · обработка радарных сигналов (распознавание целей , иден тификация и локализация источников ); · обработка инфракрасных сигналов (локализация ); · автоматическое пилотиро вание. Промышленное производство : · управление манипулятора ми ; · управление процессами ; · обнаружение неисправнос тей ; · адаптивная роботот ехника ; Биомедицинская промышленность : · анализ рентгенограмм ; · обнаружение отклонений в ЭКГ. Кроме того , следует добавить , что в последние несколько лет вся инфо рмация о нейропрограммах исчезла из средств массовой информации – это говорит об интереса х военных в этой области и следовательно перспективности данных проектов. Нейронные сети - основные понятия и оп ределения В основу искусственных нейронных сетей положены следующие черты живых нейронных с етей , позволяющие им хорошо справляться с нерегулярны ми задачами : · простой обрабатывающий элемент - нейрон ; · очень большое число нейронов участвует в обработке информации ; · один нейрон связан с большим числом других нейронов (глобаль ные связи ); · изменяющиеся по вес у связи между нейронами ; · массиров анная п араллельность обработки информации. Прототипом для создания нейрона послужил биологический нейрон головного мозга . Поведе ние искусственной нейронной сети зависит как от значения весовых параметров , так и от функции возбуждения нейронов . Известны т р и основных вида функции возбуждения : пороговая , линейная и сигмоидальная. Нейронная сеть представляет собой совокуп ность большого числа сравнительно простых эле ментов - нейронов , топология соединений которых зависит от типа сети . Чтобы создать ней ронную се ть для решения какой-либо кон кретной задачи , мы должны выбрать , каким о бразом следует соединять нейроны друг с д ругом , и соответствующим образом подобрать зн ачения весовых параметров на этих связях . Может ли влиять один элемент на другой , зависит от устан о вленных соединени й . Вес соединения определяет силу влияния. Модели нейронных сетей Модель Маккалоха Нейроны имеют состояния 0, 1 и пороговую логику перехода из состояния в состояние . Пороговый вид функции не предоставляет нейрон ной сети достаточную гибкост ь при обу чении и настройке на заданную задачу. Модель Розенблата Розенблат ввел в модель Маккаллока и Питтса способность связей к модификации , что сделало ее обучаемой . Эта модель была названа персептроном . Первоначально персептрон представлял собой односл ойную структуру с жесткой пороговой функцией процессорного элемента и бинарными или многозначными вхо дами . Также слабо формализован метод обучения персептрона. Модель Хопфилда Привлекательность подхода Хопфилда состоит в том , что нейронная сеть для конкрет ной задачи может быть запрограммирована без обучающих итераций . Веса связей вычис ляются на основании вида функции энергии , сконструированной для этой задачи. Модель сети с обратным распространением Способом обратного распространения (back propogation) назы вается способ обучения многослойных НС . В таких НС связи между собой имеют только соседние слои , при этом каждый ней рон предыдущего слоя связан со всеми нейр онами последующего слоя (рис . на стр . I ) . Нейроны об ычно имеют сигмоидальную функцию возбуждения . Первый слой нейронов называется входным и содержит число нейронов соответствующее распознаваемому образу . Последний слой нейронов называется выходным и содержит столько н ейронов , сколько классов образов распознается . Между входным и выходным слоями распол а гается один или более скрытых (теневых ) слоев . Определение числа скрытых с лоев и числа нейронов в каждом слое д ля конкретной задачи является неформальной за дачей. Принцип обучения такой нейронной сети базируется на вычислении отклонений значений сигналов н а выходных процессорных элем ентах от эталонных и обратном "прогоне " эт их отклонений до породивших их элементов с целью коррекции ошибки . Еще в 1974 году Поль Дж . Вербос изобрел значительно более эффективную процедур у для вычисления величины , называемой про изводной ошибки по весу , когда работал над своей докторской диссертацией в Гарв ардском университете . Процедура , известная теперь как алгоритм обратного распространения , стал а одним из наиболее важных инструментов в обучении нейронных сетей . Однако этому а л горитму свойственны и недостатки , главный из которых - отсутствие сколько-нибудь приемлемых оценок времени обучения . Понимание , что сеть в конце концов обучится , мал о утешает , если на это могут уйти годы . Тем не менее , алгоритм обратного распрос транения и м еет широчайшее применение . Например , успех фирмы NEC в распознавании б укв , был достигнут именно благодаря алгоритму обратного распространения . Мой пример и я вляется сетью с обратным распространением . Эт от метод является достаточно сложным и оч ень наглядны м , поэтому я остановлюсь на нём подробнее. Реализация нейросети Моя нейросеть является программной реализ ацией , ее параметры зависят от конкретной решаемой задачи и возможностей компьютера . Дл я моей демонстрационной задачи оказалось впол не достаточно двухс лойной (без скрытых слоев ) сети , однако вполне допустимо усложня ть сеть , подгоняя под текущую работу . Программа распознавания подписей. Для своей сети я использовал алгоритм обратного распространения , и подробнее расск ажу , как сеть обучается и распознаёт примеры , на основе демонстрационной программы распознавания 10 сканированных росписей. Программа состоит из двух частей : Алгоритм подготовки цифрового образа. Алгоритмы обучения и распознавания этого образа . Алгоритм подготовки цифрового образа. На рису нке (рис . на стр . II ) представлена матрица с росписью формата 125х 85. Образцами послужили росписи некоторых людей , впоследствии отсканированные и приведенные к одинаковому размеру . Преобразование матрицы происходит с ледующим образом : Предположим во входном слое нейросети 210 нейрона . Тогда необходимо п реобразовать двумерную матрицу в одномерную с 210 элементами , которую мы будем называть ци фровым образом (Можно наоборот подогнать под пример число нейронов – зависит от вкуса и от возможностей компилятора ). Я считаю сумму закрашенных точек по столбцам , умножаю на определяемый коэффициент и записываю получившееся число в нужный э лемент массива , затем то же самое проделыв аю со строками , и записываю в остальные элементы массива . Получаю одномерный массив размеро м < число строк > + < ч исло столбцов > , т.е . в данном случае – 210. Программа распознаёт пример , записанный в файл SAMPLE . BMP , который преоб разуется по ТАКОМУ ЖЕ алгоритму . Вполне допустимо создать какой-либо свой алгоритм преобразования. Так же есть демонстрац ия распозна вания иконок к различным программам – не йросеть опознаёт пример и выдаёт имя прог раммы . Преобразование матрицы производится по такому же алгоритму , что и для чисел , однако во входном слое нейросети используется уже 64 нейрона ( формат иконки – 32 х 32). Программа распознавания 10 образов цифр мож ет послужить основой программы распознавания текстов (что-то типа FineReader ) . Алгоритмы обучения и распознавания этого образа. Эти цифровые образы передаются компоненту который обучается на них и становитс я способным классифицировать подобные обр азы . Обучение , согласно алгоритму обратного ра спространения проходит следующим образом : сеть делает попытку распознать данный образ , но если она ещё не достаточно обучена , т о результат не будет соответствовать исти н ному . Программа улавливает эти не соответствия пытается исправить их , прогоняя эталонный образец . Когда подобные несоответствия становятся ниже какого-либо значения можно сказать , что сеть обучилась. Компонент нейронной сети Компонент нейронной сети содержи т основные процедуры работы с нейронной сеть ю , например процедура распознавания , обучения сети : прямого и обратного хода . Все конста нты открыты для изменения , параметры подобран ы для различных видов применений . Компонент оформлен с использованием объектно- ориентир ованного языка программирования Object Pascal . Компонент может исполь зоваться для Delphi версий 2,3,4 и C ++ Builder Исходный текст находится в каталоге \ COMPONEN \ NN \ nnet . pas . Используемые методы : · Обучение сети · Выбор оптимального варианта (распознавание , прогнозирование ) · Сохранение результатов обучения · Загрузка обученной сети · Инициализация случайных значений характеристик сети. · Свойства нейросети · Возможность изменения числа нейронов · Возможность изменения числа скрытых слоё в · Возможность сохранения обученной сети в файл · Возможность загрузки без обучения · Изменяемость линейных коэффициентов преобразования · Справочная система Выполнена в HTML формате , содержит описание двух в идов ИИ : · Нейронная сеть · Экспертная си ст ема В разделе н ейронной сети приведено описание принципов фу нкционирования НС , основные алгоритмы реализации , историческая справка . Позволяет запускать де монстрационные программы . Ниже приведены основные темы справки. Что такое ИИ . Области применения . Ос новные виды , прин ципы Все об экспертных системах Все о нейронных сетях Принцип работы нейронных сетей Концепции экспертных систем Справочная система оформлена интерактивно , ее можно вызвать практически из любой программы , получить исчерпывающий ответ на любой вопрос. Программа оболочка Все программы комплексы “Искусственный ин теллект” объединены единой программой оболочкой – из под нее можно вызвать все демонстрационные программы , справку , просмотреть исходные тексты модулей . Для этого необходимо , чт обы н а компьютере был установлен Browser HTM файлов и Delphi желательно ве рсии 3. Я использую программу работы с реес тром Windows , сканирую программы , сопоставленные с расширениями HTM , PAS , DPR , поэтому для полной и качественной раб оты необходимо , чтобы н а компьютере , в каталоге , доступном по переменной окружения PATH наход илась программа Windows – start . exe . Программа так же использует асинхронное воспроизведение звука WAW . Практическое применение программно го комплекса. Перспективы использования. Практ ически , данную программу можно использовать по назначению – распознавание образов , прогнозирование и т.д ., но я виж у ещё несколько возможностей : · Разработка коммерческих продуктов на основе моих компонентов · Изучение свойств не йропрограмм , проведение э кспериментов · Обучение основам ис кусственного интеллекта Кроме того уже данную программу можно с успехом испо льзовать в реальных условиях. Рис . 1 . М одель сети на основе обратного распространени я. На рисунке изображена простая модель нейронной сети . Данная сеть содержит 5 нейронов во входном слое и 3 в выходном . Т.е . с ее помощью можно по 5 признаком опред елить один из трех классов. Рис . 2 . Формат подписи . Масштаб 28:1. Пример подписи , которую распознаёт демонс трационная программа нейронной сети . Увеличена в 28 раз . Пример содержит 10625 точек и является очень большим . Сеть обрабатывает под обные примеры на пределе , с шансом успешно го распознавания 60-70%. Рис . 3 . Внешний вид нейрона. Данный нейрон содержит 11 входов , т.е . может быть нейроном слоя , которому предшест вовал слой из 11 нейронов . Каждый из входов имеет свой весовой коэффициент , сам нейро н имеет некоторый порог срабатывания , поэтому на выход подаётся исключительный , характерны й лишь для данного н е йроны си гнал. Рис . 4 . Зависимость времени обучения НС от размеров образца.
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
В каждом оптимисте живет ребенок, которого забыли выпороть.
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, реферат по программированию "Алгоритмы нейрокибернетики", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru