Текущая версия |
Ваш текст |
Строка 1: |
Строка 1: |
− | '''Иску́сственные нейро́нные се́ти (ИНС)''' — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
| + | ==Материалы== |
− | | + | http://matlab.exponenta.ru/neuralnetwork/book1/index.php |
− | ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
| |
− | | |
− | С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.
| |
− | | |
− | Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
| |
− | | |
− | == Литература ==
| |
− | * [http://matlab.exponenta.ru/neuralnetwork/book1/index.php Ю.П.Маслобоев "Введение в Neural Network Toolbox"]
| |
− | * Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002б 496 с. ([[Медиа: Medvedev-potemkin-nnet-matlab6.djvu |download, pdf]])
| |
− | * Demuth H., Beale M. Neural Network Toolbox For Use with MATLAB. User's Guide v. 3.0, 1998 ([[Медиа: Neural_network_toolbox_manual.pdf |download, pdf]])
| |
− | * Biological Neural Networks (BNNs) Toolbox for MATLAB: User Guide
| |
− | | |
− | == Ссылки == | |
− | * [http://matlab.exponenta.ru/neuralnetwork/book1/index.php Нейронные сети в MATLAB]
| |