Краткие теоретические сведения. Директор КУ города Омска «Городской центр временной занятости »

Минск 2009

Образец №4

Образец №3

Утверждаю

Директор КУ города Омска «Городской центр временной занятости»

____________И.В. Богданова

АКТ

ПРИЕМКИ-СДАЧИ ВЫПОЛНЕНОЙ РАБОТЫ

за _________(месяц) 2012 г.

Мы, нижеподписавшиеся, _____________________ и руководитель бригады главный специалист,________________________________________ составили настоящий акт о том, что по договору № _____ от _____ 2012 г. бригадой в количестве ______ человек(а), была выполнена следующая работа сверх нормативов штатных работников:

_________________________________________________________________________________________________________________________________________________________

Работа выполнена полностью и подлежит оплате.

Директор учреждения ____________________________

Подпись Ф.И.О.

Руководитель бригады___________________________

Подпись Ф.И.О

М.П.

Табель учета использования рабочего времени

Организация ____________________

за_______________(месяц) 2012 г.

Ф.И.О.	Должность	Числа месяца	Дни явок	Отработано часов
		…

Табель составил _____________________________/ Ф.И.О.

М.П.

Директор учреждения _____________________/Ф.И.О.

Особое внимание в ходе работы с трудовыми бригадами несовершеннолетних стоит уделить проведению инструктажей на рабочем месте.

Цель инструктажа — дать общие знания по безопасности, о правилах поведения на рабочем месте, ознакомить с правилами внутреннего распорядка, с вопросами безопасности, со спецификой отдельных работ.

УДК: 681.324

Составитель И.Л.Ковалева

Рецензенты:

А.Т.Ковальков, В.В.Напрасников

Рассматриваются вопросы проектирования и применения систем распознавания с учителем, в основе которых лежат нейронные сети персептронного типа. Большое внимание уделено архитектуре и алгоритмам обучения персептронов.

Отражены требования к выполнению лабораторной работы.

Лабораторная работа направлена на освоение студентами изложенного материала в ходе самостоятельного выполнения ими обработки предложенных изображений.

Цель работы: и зучение основных принципов и исходных предпосылок теории персептронов, а также методов построения распознающих систем персептронного типа.

Задание:

1. Выполнитьпрограммную реализацию системы распознавания персептронного типа (схема системы определяется согласно заданному варианту).

2. Сформировать обучающую выборку, включающую по 10 объектов каждого из заданных классов.

3. Выполнить распознавание объектов обучающей выборки.

4. Распознать новые объекты каждого класса.

5. Основные результаты работы оформить в виде отчета.

Доступность и возросшие вычислительные возможности современных компьютеров привели к широкому распространению программ, использующих принципы нейросетевой обработки данных. Нейросети наиболее приспособлены к решению широкого круга задач, так или иначе связанных с обработкой образов. Вот список типичных постановок задач для нейросетей [4]:

· аппроксимация функций по набору точек (регрессия);

· классификация данных по заданному набору классов;

· кластеризация данных с выявлением заранее неизвестных классов-прототипов;

· сжатие информации;

· восстановление утраченных данных;

· ассоциативная память;

· оптимизация, оптимальное управление.

Базовые элементы искусственных нейросетей - формальные нейроны - изначально нацелены на работу с широкополосной информацией. Основные положения теории деятельности головного мозга и математическая модель нейрона были разработаны У. Мак-Каллоком и Ч. Питтсом в 1943 году. Согласно предложенной модели мозг представляет собой множество нейронов, имеющих одинаковую структуру. Каждый нейрон реализует некоторую функцию, называемую пороговой, над входными значениями [5]. Если значение функции превышает определенную величину - порог (что характеризует суммарную значимость полученной нейроном информации), нейрон возбуждается и формирует выходной сигнал для передачи его другим нейронам. Пройдя путь от рецепторов (слуховых, зрительных и других) через нейронные структуры мозга до исполнительных органов, входная информация преобразуется в набор управляющих воздействий, адекватных ситуации. Отдельные нейроны, соединяясь между собой, образуют новое качество, которое, в зависимости от характера межнейронных соединений, имеет различные уровни биологического моделирования:

• группа нейронов;

• нейронная сеть;

• нервная система;

• мыслительная деятельность;

• мозг.

Существует подобие между мозгом и цифровым компьютером: оба оперируют электронными сигналами, оба состоят из большого количества простых элементов, оба выполняют функции, являющиеся, грубо говоря, вычислительными, тем не менее, существуют и фундаментальные отличия [6]. По сравнению с микросекундными и даже наносекундными интервалами вычислений современных компьютеров нервные импульсы являются слишком медленными. Хотя каждый нейрон требует наличия миллисекундного интервала между передаваемыми сигналами, высокая скорость вычислений мозга обеспечивается огромным числом параллельных вычислительных блоков, причем количество их намного превышает доступное современным ЭВМ [5]. Диапазон ошибок представляет другое фундаментальное отличие: ЭВМ присуща свобода от ошибок, если входные сигналы безупречно точны и ее аппаратное и программное обеспечение не повреждены. Мозг же часто производит лучшее угадывание и приближение при частично незавершенных и неточных входных сигналах. Часто он ошибается, но величина ошибки должна гарантировать наше выживание в течение миллионов лет [4]. Эти две системы явно различаются в каждой своей части. Они оптимизированы для решения различных типов проблем, имеют существенные различия в структуре и их работа оценивается различными критериями.

Развитие искусственных нейронных сетей вдохновляется биологией. Структура искусственных нейронных сетей была смоделирована как результат изучения человеческого мозга. Искусственные нейронные сети чрезвычайно разнообразны по своим конфигурациям, функциональности и целевому назначению [5]. Рассматривая сетевые конфигурации и алгоритмы, исследователи мыслят их в терминах организации мозговой деятельности, но на этом аналогия может и закончиться. Сходство между ними очень незначительно, однако, даже эта скромная эмуляция мозга дает ощутимые результаты. Например, искусственные нейронные сети имеют такие аналогичные мозгу свойства, как способность обучаться на опыте, основанном на знаниях, делать абстрактные умозаключения и совершать ошибки, что является более характерным для человеческой мысли, чем для созданных человеком компьютеров. Разработчикам сетей приходится выходить за пределы современных биологических знаний в поисках структур, способных выполнять полезные функции [4]. Во многих случаях это приводит к необходимости отказа от биологического правдоподобия, мозг становится просто метафорой, и создаются сети, невозможные в живой материи или требующие неправдоподобно больших допущений об анатомии и функционировании мозга.

В настоящее время возникли и остаются две взаимно обогащающие друг друга цели нейронного моделирования: первая – понять функционирование нервной системы человека на уровне физиологии и психологии и вторая – создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга [5]. Нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как простой элемент, служащий для передачи сигнала и его линейного усиления или ослабления.

Каждый нейрон нейросети, как правило, связан со всеми нейронами предыдущего слоя обработки данных (рис.1).

Рис. 1. Искусственный нейрон

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Здесь множество входных сигналов, обозначенных x ₁, x ₂, …, x _n, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона [3]. Каждый сигнал умножается на соответствующий вес w ₁, w ₂, …, w_n, и поступает на суммирующий блок, обозначенный Σ. Каждый вес соответствует «силе» одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W). Суммирующий блок, соответствует телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход – NET. В векторных обозначениях это может быть компактно записано следующим образом:

NET = XW.

Типичный формальный нейрон производит простейшую операцию - взвешивает значения своих входов со своими же локально хранимыми весами и производит над их суммой нелинейное преобразование (рис. 2):

Рис. 2. Нейрон производит нелинейную операцию над линейной комбинацией входов

Нелинейность выходной функции активации f(u) принципиальна. Если бы нейроны были линейными элементами, то любая последовательность нейронов также производила бы линейное преобразование, и вся нейросеть была бы эквивалентна одному нейрону (или одному слою нейронов - в случае нескольких выходов). Нелинейность разрушает линейную суперпозицию и приводит к тому, что возможности нейросети существенно выше возможностей отдельных нейронов. В этом основное отличие формальных нейронов от базовых элементов последовательных ЭВМ - логических вентилей, имеющих лишь два входа. В итоге, универсальные процессоры имеют сложную архитектуру, основанную на иерархии модулей, каждый из которых выполняет строго определенную функцию. Напротив, архитектура нейросетей проста и универсальна. Специализация связей возникает на этапе их обучения под влиянием конкретных данных.

Дата добавления: 2017-01-14