Построение - нейронная сеть
Cтраница 1
Построение нейронных сетей требует значительных затрат труда и времени для получения удовлетворительной модели. Необходимо учитывать, что излишне высокая точность, полученная на обучающей выборке, может обернуться неустойчивостью результатов на тестовой выборке - в этом случае происходит переобучение сети. [1]
Для построения нейронной сети, ориентированной на решение конкретной задачи, используются процедуры формирования нейронных сетей, которые обеспечивают ввод указанных характеристик моделей нейронов и структур нейронных сетей. [2]
Программа BrainMaker предназначена для построения нейронной сети по заданным параметрам, ее обучения в различных режимах, модификации параметров сети. Программа имеет значительное количество контрольных функций для оптимизации процесса обучения. [3]
 |
Нейронная сеть с прямой связью с одним скрытым слоем ( пороги не отмечены. [4] |
Таким образом, задача построения нейронной сети является нетривиальной. Вопросы о том, сколько нужно взять скрытых слоев, сколько элементов в каждом из них, сколько связей и какие обучающие параметры, в имеющейся литературе, как правило, трактуются облегченно. Предлагаемая обычно процедура состоит в переборе различных архитектур с целью найти наилучшую или хотя бы удовлетворительную модель. Такая концепция представляется весьма ограниченной. [5]
Если очередной поступивший входной вектор принадлежит уже ранее встречавшейся области С и попадает в поле влияния другого нейрона, то возможны два варианта в зависимости от типа строящейся нейросети. При построении полной вероятностной нейронной сети ( PNN) выполняется формирование соответствующего нейрона второго уровня. При построении сокращенной вероятностной нейронной сети новый нейрон не формируется, а увеличивается на единицу значение счетчика представительности Kj нейрона j, в поле влияния которого попал входной вектор. Заметим, что при подсчете условных вероятностей вместо учета вклада двух нейронов будет учтен двойной вклад одного нейрона. Полные вероятностные нейронные сети точнее сохраняют свойства обучающего множества Z, но требуют больших ресурсов. [6]
 |
Окно завершения работы генетического алгоритма. [7] |
Пакет GTO [54] является дополнительной утилитой, поставляемой для ней-росетевого пакета BrainMaker производства компании California Scientific Software. Он применяется как для построения нейронных сетей, так и для улучшения созданной с помощью BrainMaker сети. Но в обоих случаях отдельно от BrainMaker использоваться не может. [8]
Ввиду того что носителем информации в волоконно-оптических измерительных сетях является оптическое излучение, целесообразным оказывается организация процесса обработки поступающих от них сигналов с использованием оптических нейронных сетей. Преимущества такого подхода заключаются в исключении промежуточной стадии предварительного преобразования светового сигнала в электрический на стадии обработки, а также использовании оптических элементов и параллельных методов обработки информационных массивов, что значительно повышает быстродействие измерительных систем и хорошо согласуется с концепцией архитектуры построения нейронных сетей. [9]
Если очередной поступивший входной вектор принадлежит уже ранее встречавшейся области С и попадает в поле влияния другого нейрона, то возможны два варианта в зависимости от типа строящейся нейросети. При построении полной вероятностной нейронной сети ( PNN) выполняется формирование соответствующего нейрона второго уровня. При построении сокращенной вероятностной нейронной сети новый нейрон не формируется, а увеличивается на единицу значение счетчика представительности Kj нейрона j, в поле влияния которого попал входной вектор. Заметим, что при подсчете условных вероятностей вместо учета вклада двух нейронов будет учтен двойной вклад одного нейрона. Полные вероятностные нейронные сети точнее сохраняют свойства обучающего множества Z, но требуют больших ресурсов. [10]
Для того, чтобы многослойная нейронная сеть реализовывала заданное обучающей выборкой отображение, она должна иметь достаточное число нейронов в скрытых слоях. Однако предложены способы настройки числа нейронов в процессе обучения, которые обеспечивают построение нейронной сети для решения задачи и дают возможность избежать избыточности. [11]
Это - раздел искусственного интеллекта, связанный с созданием, исследованием и развитием моделей мозга ( мышления) человека. С точки зрения коннекционизма ( connection - связь), основу концепции построения нейронных сетей составляет идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как простой элемент, служащий для передачи сигнала. [12]
Страницы: 1