Волновая и квантовая оптика. 2 страница

На задних конечностях передвигались как хищные, так и растительноядные динозавры. Среди них были и мелкие животные массой не более 2—3 кг, и большие звери до 6 м длины. Много таких динозавров обитало в умеренных широтах и, возможно, они были теплокровными, о чем свидетельствует перьевой покров.

Некоторые виды оперенных динозавров имели крыловидные передние конечности и были способны планировать с дерева на дерево. Считают, что от подобных динозавров произошли птицы. Археоптерикс помимо крыльев имел хорошо развитый костный киль на грудине, что свидетельствует о способности к активному машущему полету. Но при этом данное животное обладало длинным, как у рептилий, хвостом и зубами. Поэтому археоптерикса считают переходным звеном между рептилиями и птицами.

Продолжалась эволюция млекопитающих, которых было 4 отряда. Все они были мелкими животными. Во второй половине периода появились хвостатые и бесхвостые земноводные, близкие к современным.

В конце периода уровень Мирового океана сильно поднялся. Это вызвало значительное потепление климата и очередной биосферный кризис.

3. Меловой период (130 - 65 млн лет тому назад) назван так потому, что в морях, кроме бентосных. распространились и были многочисленными планктонные фораминиферы, остатки их раковин образовали залежи мела и известняка.

Экосистемы первой половины периода существенно не отличались от юрских. В это время достигли наибольшего видового разнообразия бесхвостыептерозавры. Их размеры варьировали от 10 см до 13 м (птеранодон) в размахе крыльев. Интересно, что многие из них были покрыты шерстью и, по-видимому, являлись теплокровными. Остатки птиц этого времени неизвестны, а млекопитающие представлены теми же отрядами, что и в юрский период.

В середине периода произошел биосферный кризис, обусловленный не изменениями климата, а биотическим фактором - появлением цветковых растений. Считают, что они произошли от каких-то голосеменных, остатки которых не сохранились. Благодаря двойному оплодотворению и опылению насекомыми покрытосеменные разрушили экосистемы, основой которых были голосеменные, и стали основой новых биогеоценозов. Двойное оплодотворение привело к появлению триплоидного эндосперма (у голосеменных он гаплоидный), что значительно ускорило созревание семян. Направленное опыление насекомыми позволило одиночным растениям давать семена в отличие от голосеменных, которым для ненаправленного опыления ветром необходимо расти большими группами.

Семена цветковых, попав в такие нарушенные случайными факторами, например пожарами, экосистемы, быстро прорастали, образовавшиеся из них растения опылялись насекомыми (тогда это были в основном жуки) и вновь давали семена. Так цветковые растения заглушали прорастание медленно созревающих семян голосеменных.

Наряду с большим количеством голосеменных растений вымерло много групп животных. В частности, исчезло около двух третей видов насекомых, 5 семейств динозавров и большинство млекопитающих. Это время совпало с вымиранием значительной части морских планктонных фораминифер, что значительно изменило жесткость воды. В свою очередь, изменение жесткости воды привело к исчезновению большинства головоногих моллюсков с внешней раковиной, ихтиозавров и других животных.

Во второй половине периода формируются биоценозы, основу которых составляли опыляемые насекомыми одно- и двудольные покрытосеменные, а также часть хвойных (преимущественно сосновые). Происходит интенсивная сопряженная эволюция цветковых растений и насекомых-опылителей: появляются пчелы, дневные бабочки, современные группы мух.

В это время появились сумчатые и плацентарные млекопитающие. Последние были представлены насекомоядными, рукокрылыми, приматами (полуобезьяны) и несколькими ныне вымершими отрядами. Млекопитающие того времени достигли значительного видового разнообразия, имели длину - от 5-10 см до 5-6 м. Среди них были растительноядные, трупоядные, насекомоядные и хищные формы.

Со средины периода известны и птицы, которые сосуществовали с другими летающими позвоночными - птеродактилями и рукокрылыми - и обитали возле водоемов. Многие из них были водоплавающими. Представители вымершего подкласса зубатых птиц отличались от современных лишь наличием мелких зубов на челюстях. Наряду с ними жили близкие к современным птицы с роговым клювом - предки современных буревестников, куликов и чаек.

Часть динозавров приспособилась к новым условиям и достигла значительного разнообразия (известно более 120 видов). Одни из них передвигались на четырех конечностях, например растительноядные трицератопсы, достигавшие 10 м длины, другие — на двух (растительноядные игуанодоны, самые большие наземные хищники тиранозавры, имевшие длину 6-7 м, и др.).

В конце мелового периода произошел еще один биосферный кризис причины которого спорны. Значительная часть ученых склонна объяснять его столкновением Земли с массивным космическим телом. В результате вымерли динозавры, птерозавры, зубатые птицы, многие группы насекомых, некоторые отряды млекопитающих. В морях исчезли плезиозавры. Эти изменения подготовили почву для образования кайнозойских экосистем.

VIII. Кайнозойская эра началась около 65 млн. лет тому назад и продолжается по сей день. В ней выделяют палеогеновый, неогеновый и антропогеновый периоды.

1. Палеогеновый период окончился около 25 млн. лет тому назад. Климат, в общем, был теплый, хотя на рубежах эпох происходили значительные похолодания, даже частичные оледенения материков. В это время появились бурые водоросли, почти все современные порядки покрытосеменных, отряды птиц и млекопитающих.

В палеогеновом периоде различают три последовательные эпохи, каждая из которых резко отличается от других - палеоценовую (65-55 млн лет тому назад), эоценовую (55—38 млн лет тому назад) и олигоцено-вую (38-25 млн лет тому назад)

Палеоценовая эпоха была наиболее теплой и влажной. На суше преобладали биогеоценозы, основу которых составляли деревянистые покрытосеменные (буки, дубы), голосеменные (кипарисовые, сосновые, гинкговые и др.), окаменелая живица которых известна под названием «янтарь», и папоротники. Их остатки, попадая на дно водоемов, превратились в бурый уголь.

В начале эпохи вымерли древние группы млекопитающих, появившиеся в триасовом и юрском периодах мезозойской эры. Появляются представители современных отрядов хищных (преимущественно небольших размеров), грызунов и зайцеобразных, а также нескольких ныне вымерших отрядов. В морях достигают расцвета радиолярии и гигантские бентосные фораминиферы с раковинами до 5 см в диаметре, широко распространяются бурые водоросли. В конце эпохи вымирают последние белемниты и многие виды хрящевых рыб. Костные лучеперые рыбы становятся доминирующей группой пресных и соленых водоемов.

В эоценовую эпоху преобладал более сухой климат. В это время образовались степные пространства. Появляются хоботные, а также предки современных носорогов и лошадей. Парнокопытные в эту эпоху достигли значительного разнообразия форм и размеров (от 0,5 до 3-4 м длины); среди них были предки современных жвачных, свиней и бегемотов. В Северной Америке появились предки верблюдов и лам. В это время существовал ныне вымерший отряд хищных копытных. Некоторые из них перешли к жизни в морях и дали начало зубатым китам, среди которых были виды до 25 м длины. В свою очередь, часть зубатых перешла к питанию планктоном - это были предки усатых китов. Известно много представителей отряда Хищные, некоторые из которых достигали 3-4 м длины, а также нескольких ныне вымерших отрядов.

С этой эпохи известно более 80 семейств птиц, принадлежащих к 12 современным отрядам. В степях были распространены бескилевые хищные птицы диатримы, принадлежавшие к особому отряду и достигавшие до 2 м высоты.

Олигоценовая эпоха характеризовалась более суровым климатом вследствие снижения уровня Мирового океана; устанавливается природная зональность, в общем напоминающая современную. Из этой эпохи известно большинство современных отрядов птиц, среди которых были гигантские нелетающие формы — обитатели степных пространств, например южноамериканский хищный журавль — фороракос трехметровой высоты. Продолжалась адаптивная радиация копытных, хоботных, хищных и других отрядов. У многих видов кошачьих клыки верхних челюстей были настолько большими, что выступали наружу. Их объединяют под названием «саблезубые кошки», а представителей больших размеров — «саблезубые тигры». Часть хищных освоила водоемы, дав начало ластоногим. С севера Африки известны представители узконосых, а из Южной Америки - широконосых обезьян.

В конце палеогенового периода произошло поднятие суши, образовались Альпы, Пиренеи, горы Греции, Крыма, Кавказа, Гималаи, Кордильеры, Анды и другие. Это привело к биосферному кризису, во время которого вымерло много групп растений и животных, характерных для палеогенового периода, и сформировались биогеоценозы следующего, неогенового периода.

2. Неогеновый период (окончился около 2,6 млн. лет назад) в общем характеризуется низким уровнем Мирового океана, завершением образования современных горных массивов, достаточно суровым климатом с четкой природной зональностью и несколькими оледенениями в Северном и Южном полушариях. Например, около 12 млн лет тому назад подо льдом находились часть Южной Америки (Патагония), Антарктида (с тех пор и по сей день), Новая Зеландия и почти вся Австралия. Все это вызывало частые биогеоценотические кризисы, сопровождавшиеся массовым вымиранием одних и появлением других групп организмов.

В конце периода фауна и флора и общем напоминали современные, отличаясь в основном на видовом и частично родовом уровнях. Появилось большинство современных семейств покрытосеменных, насекомых, птиц и млекопитающих. Существование сухопутного перешейка между Северной Америкой и Европой обеспечило взаимообмен компонентами флоры и фауны; в частности, в Северной Америке появляются хоботные, в Европе и Азии - особый род трехпалых лошадиных - гиппарион. Его представители были широко распространены в Евразии, включая территорию современной Украины (они дали название специфическому комплексу степных животных тех времен — гиппарионовая фауна).

В восточноафриканских отложениях найдены останки первых человекообразных обезьян. Они вследствие образовали значительное количество форм, расселившихся л Европу и Азию. Ископаемые останки нескольких близких видов примитивных существ, филогенетически близких к человеку, возрастом в 4—5 млн лет обнаружены в Восточной Африке. Их назвали австралопитеки.

В конце неогенового периода повысилась горообразовательная активность, произошло частичное оледенение Северного полушария, вследствие чего изменился климат и возник очередной биосферный кризис. Полностью исчезла гиппарионовая фауна, значительно сократилось число видов хоботных и прочих животных.

3. Антропогеновый период состоит из двух эпох — плейстоценовой (окончилась около 100 тыс. лет тому назад) и современной, или голоценовой.

Плейстоценовая эпоха - время формирования флоры и фауны, близких к современным. В конце эпохи в результате значительного оледенения Северного полушария подо льдом оказались почти вся Северная Америка, значительные части Европы и Азии. В Северной Америке вследствие этого полностью вымерли копытные и много других групп животных.

Предки современных лошадей, ослов и зебр незадолго до этого мигрировали оттуда в Азию через перешеек на месте современного Берингова пролива, а со временем расселились в Европе и Африке.

Большие пространства Северного полушария были заняты тундрами со специфическими биогеоценозами, основу которых составляли травянистые покрытосеменные, мхи и лишайники. Из млекопитающих для тундр были характерны лемминги (особый вид грызунов), северный олень и овцебык (дожили до наших дней), а также вымершие покрытый шерстью слон – мамонт, шерстистый носорог, большерогий олень и пещерный медведь.

Около 1,7 млн лет тому назад вымерли австралопитеки. Приблизительно в это время в Восточной Африке от неизвестных предков появляется человек прямоходящий, который применял некоторые орудия труда и умел пользоваться огнем. Со временем этот вид расселился в Азию. Различные географические популяции человека прямоходящего получили названия питекантропов, синантропов и др. Все они вымерли не позже чем 300 тыс. лет тому назад. В это время появляется вид человек разумный. Он имел два подвида (неандертальцы и кроманьонцы) с общим ареалом - Европой, Кавказом и Передней Азией, но отличающихся особенностями строения. Они не образовывали смешанных поселений, хотя последние археологические находки свидетельствуют о существовании гибридов между этими подвидами.

Голоценовая эпоха - время расселения кроманьонцев по всему миру и формирования человеческих рас (географических популяций). В это время начинается активная хозяйственная деятельность человека - охота, земледелие, животноводство. Неандертальцы вымирают около 30 тыс. лет тому назад. Около 5-6 тыс. лет тому назад образовываются первые государства и города, а в XIX столетии формируются промышленные комплексы.

Литература:

Общая биология: Учебн. для учащихся 10–11-х кл. сред. общеобразоват. шк.: Пер. с укр./ Н.Е.Кучеренко, Ю.Г.Верес, П.Г.Балан и др. – К..: Генеза, 2001. С. 396 – 429.

Входной вектор, кодирующий входное воздействие или образ внешней среды, подаётся на входные нейроны. В них обычно не осуществляется вычислительных процедур, а информация передаётся с входа на выход путём изменения их активации. Множество выходных сигналов нейронов сети y ₁… у_m называют вектором выходной активности. Веса связей нейронов сети удобно представлять в виде матрицы W, где w_ij – вес связи между j -м и i -м нейронами. В процессе функционирования сети осуществляется преобразование входного вектора в выходной. Конкретный вид выполняемого сетью преобразования информации определяется не только характеристиками нейронов, но и топологией межнейронных связей, выбором определённых подмножеств нейронов для ввода и вывода информации, наличием или отсутствием конкуренции, направлением и способами управления и синхронизации информационных потоков между нейронами и т. д.

Архитектура ИНС. Архитектуру ИНС можно определить следующими характеристиками: топологий сети, видом входных и выходных сигналов, функциями активации нейронов и рядом других.

Классификация ИНС по топологии проводится в зависимости от количества слоёв нейронов и вида связей между ними. С точки зрения топологии можно выделить три основных типа нейронных сетей: полносвязные, многослойные и слабосвязные.

В полносвязных нейронных сетях (рис. В.4, а) каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.

В многослойных нейронных сетях (рис. В.4, б) нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из q слоёв, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (его часто нумеруют как нулевой), а выходами сети являются выходные сигналы последнего слоя. Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев.

В слабосвязных нейронных сетях связи между нейронами имеют локальный характер.

а)

б)

в)

Рис. В.4. Топологии нейронных сетей:

а – полносвязная сеть; б – многослойная сеть с последовательными связями;

в – слабосвязные сети

По виду входных и выходных сигналов выделяют бинарные (цифровые) и аналоговые нейронные сети. Бинарные оперируют двоичными сигналами, и выход каждого нейрона может принимать только два значения: 0 или 1.

Обучение ИНС. Одно из важнейших свойств ИНС – способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Эти свойства достигаются обучением сети, алгоритм которого задаётся набором обучающих правил. Все алгоритмы обучения можно разделить на два класса: детерминированные и стохастические. В первом из них подстройка весов представляет собой жёсткую последовательность действий, во втором – производится на основе операций, подчиняющихся некоторому случайному процессу.

Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Многие из них являются развитием высказанной
Д. О. Хеббом идеи о том, что обучение основано на увеличении силы связи (синаптического веса) между одновременно активными нейронами. Таким образом, часто используемые в сети связи усиливаются, что объясняет феномен обучения путём повторения и привыкания.

В настоящее время существует множество разнообразных обучающих правил (алгоритмов обучения). Наиболее часто в практических реализациях нейронных сетей используется обучение по алгоритму обратного распространения ошибки.

Реализация ИНС. Основными способами реализации ИНС являются:

- программная реализация на компьютерах традиционной архитектуры;

- программно-аппаратная реализация в виде сопроцессоров и плат-нейроускорителей к традиционным компьютерам;

- аппаратная реализация в виде специализированных нейрокомпьютеров на основе параллельных нейроподобных структур.

Программная реализация ИНС характеризуется универсальностью, дешевизной, низкой скоростью обучения и функционирования. Таким образом – в виде специализированного программного обеспечения – были практически реализованы первые модели нейронных сетей.

Программно-аппаратная реализация обеспечивают высокую скорость моделирования функционирования ИНС, но при этом существуют серьёзные физические ограничения числа моделируемых элементов и связей между ними, а также возможностей обучения.

По мере развития элементной базы стала возможной полностью аппаратная реализация ИНС. Именно на этом пути получены наиболее впечатляющие практические результаты, положившие начало индустрии нейрокомпьютеров. Такие нейрокомпьютеры представляют собой совокупность аппаратных и программных средств для реализации моделей нейронных сетей. На сегодняшний день известно более 200 видов реализованных нейрокомпьютеров, выполненных в виде специализированных кристаллов и плат-ускорителей; на их основе созданы мощные рабочие станции и даже суперкомпьютеры.

Области применения ИНС. Преимущества ИНС наиболее ярко проявляются при решении плохоформализумемых задач, решение которых традиционными вычислительными средствами малоэффективно. В отличие от экспертных систем, в которых для решения таких задач используется подход, основанный на правилах (rule-based), в ИНС применяется подход, основанный на примерах (case-based): для решения задачи необходимо лишь иметь достаточное количество примеров для настройки сети с заданной степенью достоверности.

Способность ИНС решать плохоформализуемые задачи достигается благодаря тому, что информация в ИНС кодируется и запоминается не в отдельных ячейках памяти, а в распределённых связях между нейронами. Состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним, поэтому потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает её высокую надёжность. Возможность обучения и дообучения ИНС позволяет при изменении внешних факторов своевременно вносить изменения в процесс обработки информации сетью.

Приведённые выше преимущества нейросетевой обработки данных определяют основные области применения ИНС:

- классификация образов;

- кластеризация и категоризация;

- аппроксимация функций;

- предсказание и прогноз;

- оптимизация;

- память, адресуемая по содержанию;

- управление.

Задача классификации образов состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, обработка сигнала электрокардиограммы, классификация клеток крови.

При решении задачи кластеризации (категоризации), которая известна также как классификация образов без учителя, отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия и исследования свойств данных.

Задача аппроксимации функций состоит в нахождении оценки неизвестной функцией, искажённой шумом, на основе обучающей выборки, содержащей конечное число точек.

Предсказание и прогноз – это задача нахождения по N дискретным отсчётам { y (1), y (2), …, y (N)} функции y (t) оценки значения y (N + 1) в момент времени (N + 1).

К решению задачи оптимизации могут быть сведены многие реальные задачи математики, статистики, техники, науки, медицины и экономики. Целью оптимизации является нахождение решения, которое удовлетворяет системе ограничений и доставляет экстремум целевой функции.

Память, адресуемая по содержанию, или ассоциативная память – это память, доступ к которой осуществляется не по адресу, как в вычислителях на основе архитектуры фон-Неймана, а по содержанию. Содержимое памяти может быть вызвано даже по частичному или искаженному содержанию. Ассоциативная память необходима для создания перспективных информационно-вычислительных систем.

В области управления ИНС могут используются для определения управляющего воздействия в системах управления с эталонной моделью и адаптивного управления.

История исследований ИНС. Общие принципы построения нейронных сетей были заложены в начале второй половины ХХ века в работах таких учёных, как Д. Хебб, М. Минский, Ф. Розенблатт, У. Маккалок, Дж. Хопфилд. Первые нейросети состояли из одного слоя искусственных нейронов – персептронов. М. Минским были строго доказаны теоремы, определяющие принципы функционирования нейронных сетей. Несмотря на многочисленные преимущества персептронов: линейность, простота реализации параллельных вычислений, оригинальный алгоритм обучения и т. п., М. Минским вместе с соавторами было показано, что реализованные на его основе однослойные нейронные сети не способны решить большое число разнообразных задач. Это вызвало некоторое ослабление темпов развития нейросетевых технологий в 70-е годы. В дальнейшем многие ограничения по использованию ИНС были сняты с разработкой многослойных нейронных сетей, определение которых впервые было введено Ф. Розенблаттом. Дальнейшее развитие теория нейронных сетей нашла в 70-80 годах в работах Б. Уидроу, Андерсона, Т. Кохонена, С. Гроссберга и других.

Ниже приведены основные вехи в области исследований нейронных сетей.

1943 г. – У. Маккалок (W. McCulloch) и У. Питтс (W. Pitts) предложили модель нейрона и сформулировали основные положения теории функционирования головного мозга.

1949 г. – Д. Хебб (D. Hebb) высказал идеи о характере соединений нейронов мозга и их взаимодействии, а также предложил правила обучения нейронной сети.

1957 г. – Ф. Розенблатт (F. Rosenblatt) разработал принципы организации и функционирования персептронов и предложил вариант технической реализации первого в мире нейрокомпьютера Mark.

1959 г. – Д. Хьюбел (D. Hubel) и Т. Визель (Т. Wiesel) показали распределенный и параллельный характер хранения и обработки информации в биологических нейронных сетях.

1960-1962 гг. – исследования в области искусственных нейронных сетей В. Уидроу (W. Widrow).

1969 г. – публикация книги М. Минского (М. Minsky) и С. Пейперта (S. Papert) «Персептроны», в которой доказывается принципиальная ограниченность возможностей персептронов. Угасание интереса к искусственным нейронным сетям.

1970-1976 гг. – активные разработки в области персептронов в СССР (основные заказчики – военные ведомства).

Конец 1970-х гг. – возобновление интереса к искусственным нейронным сетям как следствие накопления новых знаний о деятельности мозга, а также значительного прогресса в области микроэлектроники и компьютерной техники.

1982-1985 гг. – Дж. Хопфилд (J. Hopfield) предложил семейство оптимизирующих нейронных сетей, моделирующих ассоциативную память.

1985 г. – появление первых коммерческих нейрокомпьютеров, например, Mark III фирмы TRW (США).

1987 г. – начало широкомасштабного финансирования разработок в области ИНС и НК в США, Японии и Западной Европе.

1989 г. – разработки и исследования в области ИНС и НК ведутся практически всеми крупными электротехническими фирмами. Нейрокомпьютеры становятся одним из самых динамичных секторов рынка.

1990 г. – активизация советских исследовательских организаций в области ИНС и НК (Институт кибернетики им. Глушкова в Киеве, Институт многопроцессорных вычислительных систем в Таганроге, Институт нейрокибернетики в Ростове-на-Дону).

1991 г. – годовой объём продаж на рынке ИНС и НК приблизился к 140 млн. долларам.

1992 г. – работы в области ИНС находятся стадии интенсивного развития.

1997 г. – годовой объем продаж на рынке ИНС и НК превысил 2 млрд. долларов, а ежегодный прирост составил 50%.

2000 г. – переход на субмикронные и нанотехнологии, а также успехи молекулярной и биомолекулярной технологии открывают новые возможности по реализации нейрокомпьютеров.

Методы исследования ИНС. Для исследования построенной модели сети (с заданными характеристиками элементов, архитектурой и обучающими правилами) применяют три основных метода: аналитическое исследование, а также математическое (имитационное) и физическое моделирование.

Сложность аналитического исследования рассматриваемых моделей с коллективным поведением обусловлена наличием большого числа взаимодействующих нелинейных нейроподобных элементов. Несмотря на это, интересные аналитические результаты получены для многих моделей нейронных сетей, что в значительной степени способствовало их популярности.

Математическое моделирование даёт возможность создать практически любые модели нейронных сетей, однако из-за последовательного характера их работы в обозримое время удаётся исследовать модели только ограниченного размера. В настоящее время существуют и продолжают создаваться специальные вычислительные средства для эффективного моделирования больших нейроподобных сетей, а также реализованные в виде микросхем быстродействующие аппаратные модели небольших нейросетей.

Физическое моделирование позволяет быстро получать достоверные результаты работы модели, однако связано с технической сложностью аппаратной реализации большого количества нейроподобных элементов со многими адаптивными связями.

Моделирование ИНС в системе MATLAB. Эффективные средства моделирования нейронных сетей содержит среда MATLAB. Средства моделирования реализованы в виде пакета Neural Networks, в состав которого входит большое количество m-функций для создания, обучения и моделирования различных нейронных сетей; программа NNTool*, реализующая пользовательский интерфейс при работе с функциями пакета Neural Networks; а также демонстрационные примеры для наглядного изучения основных свойств ИНС.

Программа NNTool облегчает пользователю доступ к возможностям пакета Neural Networks. Запуск программы производится либо командой nntool, вводимой в командном окне MATLAB, либо из окна запуска приложений Launch Pad с помощью опции NNTool из раздела Neural Networks Toolbox. После вызова на экране появляется окно Network/Data Manager (Управление сетью/данными) (рис. В.5).

Дата добавления: 2015-06-04