Прогнозировани?це?на рынк?драгоценны?металлов ?помощь?нейронны?сете?/h1>
Дипломная работа - Компьютеры, программирование
Другие диплом?по предмету Компьютеры, программирование
?ть из входны?сигналов. Например, сеть може?быть обучен?на последовательности искаженных версий букв?? Посл?соответствующего обучен? пред?вление такого искаженног?пример?приведет ?тому, чт?сеть породи?букв?совершенно?форм?(?данном случае букв??. ?некоторо?смысле он?научит? порождат?то, чт?никогд?не видела. Способност?извлекат?идеальны?прототип?являет? для люде?весьма ценным качество?
. Применимость. Искусственны?нейронны?сети не являют? панацеей. Он? очевидно, не пригодны для выполнен? таки?зада? ка?начисление заработной плат? однако он?незаменимы ?большо?классе других зада? ?которыми плох?ил?вообще не справляют? обычны?вычислительные системы[12].
Таки?образо? нейронны?сети имею???преимущест?пере?традиционным?вычислительным?системам? Приведем некоторы?наиболее важные из ни?
. Решени?зада?пр?неизвестны?закономернос?? Используя способност?обучен? на множеств?примеров, нейронная сеть способна решать задачи, ?которы?неизвестны закономерности развит? ситуации ?зависимост?межд?входными ?выходным?данным? Традиционные математические методы ?экспертные систем??таки?случ??неприменим?
. Устойчивость ?шума?во входны?данных. Возможност?работы пр?наличи?большого числ?неинформативны? шумовы?входны?сигналов. Не?необходимост?делать их предварительны?отсе? нейронная сеть сама определи?их малопригодност?для решения задачи ?отбросит их.
. Адаптировани??изменения?окружающей сред? Нейронны?сети обладают способностью адаптировать? ?изменения?окружающей сред? ?частност? нейронны?сети, обученны?действоват??определенной сред? могу?быть легк?переучен?для работы ?условия?незначительных колебани?параметров сред? Боле?того, для работы ?нестационарной сред?(гд?статистика изме?ет? ?течением времен? могу?быть создан?нейронны?сети, переучивающиеся ?реальном времен? Че?выше адаптивные способност?систем? те?боле?устойчивой буде?ее работа ?нестационарной сред? Пр?этом следуе?заметить, чт?адаптивность не всегда веде??устойчивости; иногда он?приводит ?совершенно противоположному результату. Например, адаптивн? систем??параметрам? быстро изме?ющимися во времен? може?такж?быстро реагироват??на посторонни?возбуждения, чт?вызове?потерю производительности. Для того чтоб?использовать вс?достоинств?адаптивности, основные параметр?систем?должны быть достаточно стабильным? чтоб?можн?было не учитыват?внешни?помехи, ?достаточно гибким? чтоб?обеспечить реакци?на существенные изменения сред?
. Потенциально?сверхвысокое быстродействие. Нейронны?сети обладают потенциальны?сверхвысоким быстродействие?за iет использования массовог?параллелизма обработк?информации.
. Отказоустойчивость пр?аппаратной реализации нейронно?сети. Нейронны?сети потенциально отказоустойчив? Эт?значит, чт?пр?неблагоприятных условия?их производительность падает незначительн? Например, если поврежде?како?то нейрон ил?ег?связи, извлечение запомненно?информации затруд?ет?. Однако, приним? ?раiет распределенный характер хранен? информации ?нейронно?сети, можн?утверждать, чт?только серьезны?повреждения структур?нейронно?сети существенн?повл?ют на ее работоспособност? Поэтом?снижение качества работы нейронно?сети происходит медленно[18].
Нейронны?сети могу?быть классифицированы по ?ду признако?
Классификация нейронны?сете?по характер?обучен? дели?их на:
нейронны?сети, использующие обучение ?учителем;
нейронны?сети, использующие обучение бе?учителя.
Рассмотрим их подробне?
?нейронны?се?? использующих обучение ?учителем, для каждог?входного вектор?существует целево?вектор, представ?ющий собо?требуемы?выхо? Вместе он?называют? обучающе?паро? Обычно сеть обучается на некоторо?числ?таки?обучающи?па? Пред?вляет? выходной вектор, вычисляет? выхо?сети ?сравнивает? ?соответствующи?целевы?вектором. Дале?веса изме?ют? ?соответствии ?алгоритмом, стре?щимся минимизировать ошибку. Вектор?обучающего множеств?пред?вляют? последовательн? вычисляют? ошибки ?веса подстраивают? для каждог?вектор?до те?по? пока ошибка по всем?обучающему массив?не достигне?приемлемог?уров?.
Обучение нейросет?бе?учителя являет? намног?боле?правдоподобной модель?обучен? ?точк?зрен? биологически?корней искусственны?нейронны?сете? Развит? Кохонено??ег?последователями, он?не нуждается ?целево?вектор?для выходо?? следовательн? не требуе?сравнения ?предопределенным?идеальными ответами. Обучающе?множеств?состои?лишь из входны?векторов. Обучающи?алгоритм подстраивает веса сети та? чтоб?получались согласованны?выходные вектор? ? ? чтоб?пред?вление достаточно близки?входны?векторов давало одинаковые выходы. Процес?обучен?, следовательн? выде?ет статистические свойства обучающего множеств??группирует сходны?вектор??классы.
По методу настройк?весо?нейронны?сети де?тся на:
сети ?фиксированными свя?ми - весовы?коэффициенты нейронно?сети выбирают? сраз? исхо? из услови?задачи;
сети ?динамическим?свя?ми - для ни??процессе обучен? происходит настройк?синаптически?весо?
По типу входно?информации нейросет?классифицируют? на:
сети ?аналоговой входно?информацие?- входная инфо
Copyright © 2008-2014 geum.ru рубрикатор по предмета?/a> рубрикатор по типа?рабо?/a> пользовательское соглашение