КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Система текущего и итогового контроля 6 страница
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). В поле Inputs отображаются последовательности входов сети; в поле Targets – последовательности целей (требуемых выходов) сети; в поле Networks приводится список созданных нейронных сетей; в поле Outputs отображаются последовательности выходов сети; в поле Errors – ошибки сети; в полях Input Delay States и Layer Delay States – соответственно начальные состояния линий задержек по входу и линий задержек слоя. Создание новых данных (входных, целевых и др.) производится с помощью кнопки New Data; создание новой сети – кнопкой New Network. Кнопки Export и Import позволяют соответственно экспортировать данные из программы NNTool в рабочее пространство MATLAB и импортировать данные из рабочего пространства MATLAB в программу NNTool. Кнопка View позволяет просмотреть данные или структуру и параметры сети, кнопка Delete – удалить данные или сеть. Для работы с созданными нейронными сетями предназначены кнопки Initialize, Simulate, Train, Adapt. Кнопка Initialize предназначена для инициализации нейронной сети, кнопка Simulate – для моделирования сети, кнопка Train – для обучения сети; кнопка Adapt – для адаптации сети (выполнения одного шага процедуры обучения). При нажатии этих кнопок, а также кнопки View при выбранной нейронной сети открывается соответствующая закладка окна Network.
С помощью кнопки Help можно получить справку по работе с программой NNTool.
Примечание. Для первоначального ознакомления со структурой и принципом функционирования искусственного нейрона рекомендуется изучить следующие демонстрационные примеры из пакета Neural Networks: Simple neuron and transfer functions (простой нейрон и функции активации), Neuron with vector input (нейрон с векторным входом). Для вызова демонстрационных примеров выбрать опцию Demo из окна Launch Pad. На экране появится окно MATLAB Demo Window, в котором следует выбрать запускаемый демонстрационный пример. В примерах проследить изменение выходного сигнала нейрона в зависимости от входных, а также проанализировать влияние значений весовых коэффициентов, смещения и вида функции активации.
Итоги развития нейрокомпьютинга к настоящему времени. Теория нейронных сетей осваивает разработанные ранее методы с целью создания эффективных нейронных систем. Использование ИНС особенно важно с точки зрения производительности ЭВМ. Согласно гипотезе Минского, реальная производительность параллельной вычислительной системы из n процессоров растёт как log(n), то есть производительность системы из 100 процессоров всего вдвое выше, чем производительность 10-процессорной системы, так как процессоры дольше ждут своей очереди, чем вычисляют. При использовании же нейронных сетей параллелизм может быть использован практически полностью и производительность растёт почти пропорционально n. С другой стороны, теория нейросетей не внесла революционных новшеств в алгоритмы оптимального управления и адаптации, теорию адаптивных регуляторов и самообучающиеся системы. Таким образом, основные преимущества нейрокомпьютеров связаны с массовым параллелизмом обработки, что определяет высокое быстродействие, низкие требования к стабильности и точности параметров элементарных узлов, устойчивость к помехам и повреждениям при большой пространственной размерности системы, причём устойчивые и надёжные нейросистемы могут создаваться из низконадёжных элементов, имеющих значительный разброс параметров.
* Входит в состав пакета MATLAB начиная с версии 6.0. Оценка знаний студентов по дисциплинеопределяется в соответствии с системой текущего и итогового контроля, которая утверждается ежегодно и доводится преподавателем до сведения студентов. Итоговый контроль предусматривает: в 7-ом семестре – зачет, во 8-ом семестре – экзамен.
Вопросы к итоговой аттестации (экзаменам и зачетам) составляются на основе контрольных вопросов по курсу.
Дата добавления: 2015-06-25; Просмотров: 201; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |