Опубликована: 05.04.2011 | Уровень: для всех | Стоимость: 3000.00 руб. | Длительность: 14 дней
Излагаются основы построения нейрокомпьютеров. Дается детальный обзор и описание важнейших методов обучения нейронных сетей различной структуры, а также задач, решаемых этими сетями. Рассмотрены вопросы реализации нейронных сетей.
Искусственные нейронные сети реализуют одну из парадигм искусственного интеллекта, а именно, коннекционистскую. Это означает, что преобразование, выполняемое сетью, определяется значениями весовых коэффициентов и топологией межнейронных соединений. Вместо программирования в традиционных вычислительных системах здесь используется обучение сети, которое сводится к настройке весовых коэффициентов с целью оптимизации заданного критерия качества функционирования сети. Нейронные сети хорошо решают те задачи, которые с трудом поддаются алгоритмизации: распознавание образов, реализация ассоциативной памяти, комбинаторная оптимизация.В курсе лекций рассматриваются: основные модели искусственного нейрона и сетей, использующих искусственный нейрон в качестве своего элемента; варианты обучения сетей: обучение с учителем и самообучение (самоорганизация). Обученная сеть подвергается редукции (упрощению) с целью повышения эффективности ее реализации и функционирования. Нейронные сети могут быть реализованы как электронным (на основе СБИС), так и оптическим способами.
Цель: Систематизация знаний о возможностях и особенностях применения нейрокомпьютерных алгоритмов и систем для обработки информации.

План занятий

ЗанятиеЗаголовок <<Дата изучения
-
Лекция 1
17 минут
Введение в нейрокомпьютерные системы
Рассматриваются: символьная и коннекционистская парадигмы искусственного интеллекта, понятие искусственной нейронной сети (НС), история возникновения и перспективы развития НС, отличия НС от традиционных вычислительных систем.
-
Тест 1
15 минут
-
Лекция 2
32 минуты
Модели нейронов
Рассматриваются структура и функции различных моделей нейрона: персептрон, сигмоидальный нейрон, адалайн, Паде-нейрон, нейрон с квадратичным сумматором, сигма-пи нейроны, нейрон Хебба, стохастическая модель нейрона, кубические модели нейронов.
-
Тест 2
15 минут
-
Лекция 3
22 минуты
Задача линейного разделения двух классов
Рассматриваются: решение задачи линейного разделения двух классов методом центров масс, алгоритм обучения персептрона, виды обучения, геометрическая интерпретация задачи разделения двух классов.
-
Тест 3
15 минут
-
Лекция 4
18 минут
Задача нелинейного разделения двух классов
Рассматриваются: решение задачи нелинейного разделения двух классов методом максимума правдоподобия и многослойной сетью, реализация булевых функций посредством нейронной сети.
-
Тест 4
15 минут
-
Лекция 5
26 минут
Виды нейронных сетей и способы организации их функционирования
Рассматриваются: варианты многослойных сетей, режимы функционирования сетей, предобработка входных данных сети, виды интерпретации ответов НС, задача аппроксимации функций и оценка способности сети решить эту задачу.
-
Тест 5
15 минут
-
Лекция 6
29 минут
Многослойные сети сигмоидального типа
Рассматриваются: многослойный персептрон, алгоритм обратного распространения ошибки, подбор коэффициента обучения (одномерная минимизация), методы инициализации весов сети.
-
Тест 6
15 минут
-
Лекция 7
21 минута
Градиентные алгоритмы обучения сети
Рассматриваются: особенности задачи оптимизации, возникающей при обучении нейронных сетей; алгоритмы выбора направления минимизации: алгоритм наискорейшего спуска, партан-методы, одношаговый квазиньютоновский метод и сопряженные градиенты.
-
Тест 7
15 минут
-
Лекция 8
27 минут
Методы глобальной оптимизации
Рассматриваются: алгоритм имитации отжига, генетические алгоритмы, использование случайных возмущений в обучении (метод виртуальных частиц).
-
Тест 8
15 минут
-
Лекция 9
23 минуты
Радиальные нейронные сети
Рассматриваются математические основы радиальных сетей и методы их обучения. Производится сравнение радиальных и сигмоидальных нейронных сетей.
-
Тест 9
15 минут
-
Лекция 10
32 минуты
Рекуррентные сети как ассоциативные запоминающие устройства
Рассматриваются: нейронная сеть Хопфилда как автоассоциативная память, обучаемая с использованием метода Хебба и проекционного метода; гетероассоциативная память на основе сети Хемминга и двунаправленная ассоциативная память.
-
Тест 10
15 минут
-
Лекция 11
30 минут
Решение задач комбинаторной оптимизации рекуррентными сетями
Рассматривается решение задачи коммивояжера сетью Хопфилда и машиной Больцмана. Оцениваются параметры функции энергии нейронных сетей, обеспечивающие решение задачи коммивояжера.
-
Тест 11
15 минут
-
Лекция 12
28 минут
Рекуррентные сети на базе персептрона
Рассматриваются многослойные рекуррентные сети (персептроннаяbreak сеть с обратной связью, рекуррентная сеть Эльмана, сеть RTRN) и их использование для идентификации динамических объектов.
-
Тест 12
15 минут
-
Лекция 13
38 минут
-
Тест 13
15 минут
-
Лекция 14
35 минут
Адаптивная резонансная теория (АРТ)
Рассматриваются: вопрос о соотношении стабильности и пластичности при запоминании; архитектура, реализация, обучение и характеристики сети АРТ (адаптивной резонансной теории).
-
Тест 14
15 минут
-
Лекция 15
48 минут
Нечеткие и гибридные нейронные сети
-
Тест 15
15 минут
-
Лекция 16
50 минут
Контрастирование (редукция) нейронной сети
Рассматриваются: методы оценки значимости параметров нейронной сети и сигналов в ней; сокращение числа входов в линейном сумматоре методом "снизу-вверх", метод исключения параметров "сверху-вниз" с ортогонализацией и бинаризация сумматора.
-
Тест 16
15 минут
-
Лекция 17
12 минут
-
Тест 17
15 минут
-
5 часов
-