Cтраница 1
Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию. Говорят, что у хорошего врача способность к распознаванию в своей области столь велика, что он может провести приблизительную диагностику уже по внешнему виду пациента. Можно согласиться также, что опытный трейдер чувствует направление движения рынка по виду графика. [1]
Описанный эффективный нейросетевой подход ( FLEXMAP) был протестирован на разных распределениях городов числом до 200 и неизменно находил маршруты, отличающиеся не более чем на 9 % от оптимального. [2]
Развит нейросетевой подход к анализу связи структура-свойство, структура-условия-свойство и получены прогностические модели таких связей для ряда важных свойств органических соединений, предложены оригинальные подходы к интерпретации нейросетевых зависимостей. [3]
![]() |
Сравнение результатов решения задачи коммивояжера с 30 городами. [4] |
Ниже мы опишем нейросетевой подход, в котором они растут линейно с размерностьюзадачи. [5]
![]() |
Сравнение результатов решения задачи коммивояжера с 30 городами. [6] |
При практическом применении нейросетевых подходов к решению задач оптимизации, однако, главное значение имеет не столько близость решения к глобальному оптимуму, сколько эффективность его получения. В этом смысле сеть Кохонена значительно эффективнее имитации отжига. [7]
![]() |
Линейная регрессия и реализующий ее однослойный персептрон. [8] |
В отличие от нейросетевого подхода; в котором основное время забирает обучение сетей; при статистическом подходе это время тратится на тщательный анализ задачи. При этом опыт статистиков используется для выбора модели на основе анализа данных и информации, специфичной для данной области. Использование нейронных сетей - этих универсальных аппроксиматоров - обычно проводится без использования априорных знаний, хотя в ряде случаев оно весьма полезно. [9]
В чем же состоят отличия нейросетевого подхода. Да, пожалуй, только в том, что он изначально не подразумевает фазы анализа при построении модели. Нейронные сети - это существенно синтетический, а не аналитический подход. Конечно, и здесь остается понятие шаблона, и здесь синтез модели сводится к параметрической оптимизации шаблона, сконструированного по базису активационных функций нейронов. Но здесь никого не интересует, какому гипотетическому поведению объекта соответствует активность одного из нейронов и какой физический смысл приобретают в этом случае синаптические веса. Задача формулируется для всей сети в целом. Исходя из этого и объект исследуется сразу целиком, и не в очищенных ситуациях, а в тех режимах, которые нас интересуют в практическом, утилитарном отношении. [10]
В настоящее время известно много удачных примеров применения нейросетевого подхода для построения интеллектуальных информационных систем и, в частности, экспертных систем. [11]
![]() |
Муравьи находят новый кратчайший новый путь ( сверху от преграды который быстрее обогащается феромонами.| Результаты решения задачи коммивояжера ( длина маршрута. [12] |
Напомним вновь, что при электронной или оптической реализации нейросетевой подход находится вне конкуренции в ситуациях, когда необходимо очень быстро находить не обязательно оптимальное; но достаточно хорошее решение. [13]
Как уже отмечалось, некоторые статистики утверждают, что нейросетевые подходы к обработке данных являются просто заново переоткрытыми и переформулированными, но хорошо известными статистическими методами анализа. [14]
Требуется: используя все или часть этих данных и применяя нейросетевой подход, построить автоматический классификатор, относящий каждый вновь предъявляемый цветок к одному из трех видов на основании перечисленных признаков. [15]