Волновая и квантовая оптика. 3 страница

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.

Задание №1

Задание №2

Задание №3

Задание №4

Задание №5

Задание №6

Задание №7

Задание №8

Задание №9

Задание №10

Задание №11

Задание №12

Задание №13

Задание №14

Задание №15

Задание №16

Задание №17

Задание №18

Задание №19

Задание №20

Задание №21

Задание №22

Задание №23

Задание №24

Задание №25

Задание №26

Задание №27

Задание №28

Задание №29

Задание №30

Задание №31

Задание №32

Задание №33

Задание №34

Задание №35

Задание №36

Задание №37

Дата добавления: 2015-06-04