Автор: Аркадий Барский | Московский государственный университет путей сообщения
Форма обучения:
дистанционная
Стоимость самостоятельного обучения:
бесплатно
Доступ:
свободный
Документ об окончании:
 
Уровень:
Специалист
Длительность:
18:55:00
Студентов:
2752
Выпускников:
77
Качество курса:
4.67 | 4.33
На основе положений математической логики событий исследуются нейронные сети, имитирующие механизмы работы мозга. Эти механизмы реализуют операции вывода по "нечеткой" логике в составе систем искусственного интеллекта - распознавания, управления и принятия решений - во всех областях человеческой деятельности. Рассмотрение многих примеров демонстрирует простейший подход к построению и развитию обученных нейронных сетей "под задачу", а также трассировку – обучение при заданной структуре сети.
Главной целью данного курса является демонстрация и внедрение универсального подхода, способного вывести проблему нейронных сетей с уровня частного применения на уровень массового использования практически во всех областях знаний, где требуется логически обосновать принимаемое решение. Утверждается, что самый простой подход к построению нейронных сетей на основе реализуемой нейроном «нечёткой» логики (логических нейронных сетей), продиктован практикой ясного мышления человека. Этот подход приводит к построению всего лишь однослойных нейронных сетей с простейшей функцией активации нейрона, при необходимости дополненных обратными связями.
Специальности: Программист
 

План занятий

Занятие
Заголовок <<
Дата изучения
Лекция 1
1 час 8 минут
Модель нейронной сети
Лекция носит вводный и ознакомительный характер и скорее ориентирована на того исследователя, что пытается, более точно абстрагируя природные процессы, познать и воссоздать реальные мозговые функции. Его интересует: как формируется исходная информация на рецепторах, как осуществляется простейшее распознавание, как при переходе в пространство признаков объекта увеличить эффективность распознавания, как реализовать устойчивое, четкое выделение сигнала, необходимое при построении длинных цепочек вывода, зачем нужна кора головного мозга. Из этих проблем особое внимание читателю следует обратить на задание информации на рецепторах. Даны действенные рекомендации для разработчика системы управления или принятия решений на основе технологии логических нейронных сетей.
-
Лекция 2
1 час 29 минут
Построение обученных логических нейронных сетей
Приводятся примеры построения нейронных сетей на основе нечеткой логики для различных применений: для распознавания букв, в играх, в бизнесе. Связи между нейронами выбираются в соответствии с логическим описанием системы принятия решений. Таким образом, сети строятся обученными. Целью лекции является внедрение начальных (и вполне достаточных) навыков в построении систем принятия решений на логических нейронных сетях.
-
Лекция 3
1 час 15 минут
Система принятия решений на основе математической логики событий
Вновь, несколько с другой стороны, подойдем к важной проблеме построения системы принятия решений на основе логической нейронной сети. Читатель, не удовлетворенный изложенным выше, может совершить повторную попытку войти в курс дела на основе математической логики событий [6], когда на основе более сложного примера просматривается весь процесс построения логической нейронной сети. Иллюстрируются: структурированное логическое описание системы принятия решений, составление вспомогательной "электронной" схемы, применение (отвергнутых далее) основ нечеткой логики, применение "стандартных" нейронов, реализующих функцию активации, преобразование сложной нейронной сети в однослойную.
-
Обучение логической нейронной сети
Предполагается краткое знакомство с трассировкой – обучением логической нейронной сети, структура которой предложена разработчику заранее. Трассировка может быть применена и при развитии уже используемой логической нейронной сети. Она производится по обобщенным эталонам, отражающим одно или множество ситуаций, требующих одного и того же решения на основе логического описания системы принятия решений. При этом на заданной структуре имитируется однослойная логическая нейронная сеть. Полностью ознакомиться с алгоритмом трассировки однослойных сетей можно по [6, 7]. Структурированная, скобочная структура логического описания требует применения более сложного алгоритма трассировки, изложенного в [7].
-
Лекция 5
1 час 11 минут
Развитие логической нейронной сети для распознавания объектов по заданному набору признаков
Рассматривается возможность распознавания и выбора объектов временного ряда по значениям множества признаков. Аппарат логических нейронных сетей позволяет производить параллельное, одновременное сравнение значений всех признаков с эталонными на основе расчета функции активации нейронов. Совместное использование нескольких эталонов позволяет построить систему принятия решений. Показываются преимущества однослойных логических нейронных сетей при достижении высокого быстродействия вычислительных средств и при развитии систем принятия решений, в том числе, - при введении обратных связей.
-
Лекция 6
1 час 3 минуты
Нейросетевые самообучающиеся и адаптивные системы управления
На основе применения логических нейронных сетей предлагается способ "бесформульных" вычислений. Рассматривается возможность построения самообучающихся систем управления. Реализуется динамический выбор стратегии параллельного обслуживания потока запросов к многопроцессорной вычислительной системе или к GRID-системе.
-
Лекция 7
18 минут
Логические нейронные сети с обратными связями
Обсуждается проблема применения в логических нейронных сетях обратных связей, как элемента самонастройки, уточнения возможной ситуации, выявления противоречия при выборе целесообразного решения.
-
Лекция 8
47 минут
Нейросетевые технологии в экономике и бизнесе
Рассматривается принципиальная возможность применения логических нейронных сетей для банковского мониторинга и в системах оценки риска. Предлагаются принципы разработки унифицированного программного приложения для широкого круга "рейтинговых" задач.
-
Лекция 9
1 час 14 минут
Нейросетевые модели пошаговой оптимизации, маршрутизации и тактических игр
Рассматривается применение логических нейронных сетей при построении транспортных моделей с пошаговой маршрутизацией , учитывающей динамику конфликтов при прохождении узлов и путей. Общность подхода при решении класса задач пошаговой оптимизации демонстрируется на возможном применении в моделях тактических игр и в Wi-Fi-технологии .
-
Тест 8
21 минута
-
Лекция 10
48 минут
Логическое программирование нейронной сети на базе языка ПРОЛОГ
Демонстрируется высокая эффективность применения логических нейронных сетей при логическом выводе на основе языка ПРОЛОГ. Цели экспериментального дедуктивного вывода дополняют фактографическую базу знаний. Однако формализация исследований этой базы знаний с помощью логической нейронной сети позволяет реализовать зачатки индуктивного мышления, т.е. дополнения понятийной базы знаний новыми правилами вывода.
-
Медицинские информационно-справочные системы на логических нейронных сетях
Рассматривается технология построения системы принятия решений на основе базы знаний с ассоциативной выборкой по нечетким данным. База знаний позволяет отображать накопленный опыт для выбора оптимальной стратегии лечения.
-
Лекция 13
1 час 10 минут
Методика построения системы принятия решений на основе логической нейронной сети
Обобщается опыт построения и исследования конкретных систем принятия решений и строится методика их создания. Методика сопровождается рекомендациями по упрощению систем принятия решений, сведению логических нейронных сетей к однослойным. Это облегчает верификацию, достижение полноты и непротиворечивости, снижает требования к производительности компьютеров, делает возможным применение универсальных инструментальных программных и аппаратных средств. Таким образом, моделируемое нейронной сетью ассоциативное мышление становится ясным и исчерпывающим, что свойственно военным людям.
-
Тест 12
24 минуты
-
1 час 40 минут
-
Владислав Гладышев
Владислав Гладышев

А как проходить курс ? я же могу прямо сейчас все лекции прочитать и здать экзамен, к чему там даты ? 

Максим Куклин
Максим Куклин

Добрый день!

В лекции не отобразил определение персептрона, увидел его в дополнительных материалах.

Получается, что персептрон распознает образ по эталону, а логическая НС - по "пачке" признаков?

Дмитрий Кириченко
Дмитрий Кириченко
Украина, Мелитополь, Мелитопольский Государственный Педагогический Университет им. Б. Хмельницкого
Galia Spasova
Galia Spasova
Болгария, Великотърновски университет "Св.Св.Кирил и Методий", 2005