НОУ ИНТУИТ | Учебный курс | Нейрокомпьютерные системы

Опубликован: 13.09.2006 | Уровень: специалист | Доступ: платный | ВУЗ: Новосибирский Государственный Университет

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.

Дополнительные курсы Основы теории нечетких множеств Основы теории нейронных сетей Нейрокомпьютерные системы Нейрокомпьютинг и его применения в экономике и бизнесе Нейроинформатика Логические нейронные сети

Вам нравится? Нравится 20 студентам

| Поделиться |

Поддержать программу

Занятие	Заголовок <<	Дата изучения
	Экзамен экстерном	-
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. Оглавление	-
Тест 1 15 минут	5 заданий	-
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. Оглавление	-
Тест 2 15 минут	5 заданий	-
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. Оглавление	-
Тест 3 15 минут	5 заданий	-
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. Оглавление	-
Тест 4 15 минут	5 заданий	-
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. Оглавление	-
Тест 5 15 минут	5 заданий	-
Лекция 6 29 минут	Многослойные сети сигмоидального типа Рассматриваются: многослойный персептрон, алгоритм обратного распространения ошибки, подбор коэффициента обучения (одномерная минимизация), методы инициализации весов сети. Оглавление	-
Тест 6 15 минут	5 заданий	-
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. Оглавление	-
Тест 7 15 минут	5 заданий	-
Лекция 8 27 минут	Методы глобальной оптимизации Рассматриваются: алгоритм имитации отжига, генетические алгоритмы, использование случайных возмущений в обучении (метод виртуальных частиц). Оглавление	-
Тест 8 15 минут	5 заданий	-
Лекция 9 23 минуты	Радиальные нейронные сети Рассматриваются математические основы радиальных сетей и методы их обучения. Производится сравнение радиальных и сигмоидальных нейронных сетей. Оглавление	-
Тест 9 15 минут	5 заданий	-
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. Оглавление	-
Тест 10 15 минут	5 заданий	-
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. Оглавление	-
Тест 11 15 минут	5 заданий	-
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. Оглавление	-
Тест 12 15 минут	5 заданий	-
Лекция 13 38 минут	Самоорганизация (самообучение) нейронных сетей Рассматриваются: метод динамических ядер в классификации без учителя, алгоритмы обучения сетей с самоорганизацией и их применение к компрессии данных и прогнозированию. Оглавление	-
Тест 13 15 минут	5 заданий	-
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). Оглавление	-
Тест 14 15 минут	5 заданий	-
Лекция 15 48 минут	Нечеткие и гибридные нейронные сети Рассматриваются: математические основы нечетких систем, преимущества и алгоритмы обучения нечетких нейронных сетей, нечеткие сети с генетической настройкой, экспертные системы на основе гибридных НС. Оглавление	-
Тест 15 15 минут	5 заданий	-
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. Оглавление	-
Тест 16 15 минут	5 заданий	-
Лекция 17 12 минут	Методы аппаратной реализации нейрокомпьютеров Рассматриваются электронные и оптические методы реализации нейрокомпьютеров. Оглавление	-
Тест 17 15 минут	5 заданий	-
5 часов	Экзамен	-

Авторизоваться

Нейрокомпьютерные системы

Нейрокомпьютерные системы

Дополнительные курсы

План занятий