Cтраница 2
Нейронные сети, которые мы рассматривали раньше, работают безошибочно ( в. Поведение перцептрона горазд более сзшдзю с поведением человека. Поломка того млм мноэтэ отдельного нейрона несколько ухудшает результат, но не приводит зс ным ответам. [16]
Нейронные сети и цепи Маркова. [17]
Нейронные сети сталкивается с такими же трудностями. Сети с большим числом весов моделируют более сложные функции и, следовательно, склонны к переобучению. Сети же с небольшим числом весов могут оказаться недостаточно гибкими, чтобы смоделировать имеющиеся зависимости. Например, сеть без скрытых слоев моделирует лишь обычную линейную функцию. [18]
Нейронные сети и цепи Маркова. [19]
Нейронные сети - это математические модели, которые имитируют работу мозга. Это означает, что они пытаются подражать параллельным методам вычислений, которые, по нашим предположениям, лежат в основе функционирования Мозга. Нейронные сети в действительности не имитируют Мозг, они лишь являются некоторыми моделями его работы. [20]
Нейронные сети, как мы показываем, потенциально обладают прекрасными возможностями находить маломерные проекции. Поэтому, возможно, они и оказываются очень полезными при решении многих задач, для которых нет удовлетворительной формализации. Идеалом было бы предложить набор алгоритмов выделения маломерных проекций и областей, где простые и ясные представления уже не работают. [21]
Нейронные сети определенным образом решают интерполяционные задачи. В ряде случаев эти решения оказываются вполне удовлетворительными. На их основе удается создавать замечательные распознающие, диагностирующие, предсказывающие системы. Однако теория таких систем, позволяющая априорно оценивать, в каких задачах на что можно рассчитывать, сегодня находится в начале своего развития. [22]
Нейронные сети также могут быть использованы как инструмент для моделирования различных нелинейных систем. На сегодняшний день они представляют собой один из немногих прообразов организованной сложности, характерной для ряда физических, многих биологических, технических и социальных систем. [23]
Нейронные сети Хопфилда с непрерывными состояниями отличается от вышерассмотренной сети непрерывной активацион-ной функцией нейронов, в качестве которой наиболее часто выбирают сигмоидальную или логистическую функцию. Концептуально, вопросы организации и функционирования этих сетей схожи. [24]
Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, узнавая впоследствии черты встреченных образцов и ситуаций. [25]
Нейронные сети относятся к классу нелинейных адаптивных систем с архитектурой, условно имитирующей нервную ткань, состоящую из нейронов. [26]
Нейронные сети широко применяются для решения задач классификации. Построенную сеть сначала нужно обучить на примерах, для которых известны значения исходных данных и результаты. Процесс обучения сети заключается в подборе весов межнейронных связей и модификации внутренних параметров активационной функции нейронов. Обученная сеть способна классифицировать новые объекты ( или решать другие примеры), однако правила классификации остаются не известными пользователю. [27]
Нейронные сети могут быть реализованы программным или аппаратным способом. [28]
Нейронные сети: как это делается. [29]
Нейронные сети были созданы в результате наблюдения за естественными процессами, происходящими в нервной системе живых существ, и попыток воспроизведения этих процессов. Термин нейрон, обозначающий основной исполнительный элемент искусственных нейронных сетей, был непосредственно заимствован из теории природных нервных систем. [30]