Искусственная нейронная сеть

Cтраница 3

Среди всех интересных свойств искусственных нейронных сетей ни одно не захватывает так воображения, как их способность к обучению. Их обучение до такой степени напоминает процесс интеллектуального развития человеческой личности что может показаться, что достигнуто глубокое понимание этого процесса. Но проявляя осторожность, следует сдерживать эйфорию. Возможности обучения искусственных нейронных сетей ограниченны, и нужно решить много сложных задач, чтобы определить, на правильном ли пути мы находимся. Тем не менее уже получены убедительные достижения, такие как говорящая сеть Сейновского ( см. гл. [31]

Изменение корреляционной размерности с ростом размерности вложения для динамики давления. 1 - скв. 20 Щельяюр ( забойное. 2 - скв. 201. [32]

Второй раздел диссертации Применение искусственной нейронной сети для классификации кривых восстановления давления разбит на семь подразделов. В первом и втором подразделах приводятся основные понятия и положения теории искусственных нейронных сетей, рассматривается область применения искусственных нейронных сетей. Подразделы с третьего по пятый посвящены постановке задачи, формированию обучающего множества, и приведению задачи к безразмерному виду. Шестой подраздел является основным. В нем описаны методы и результаты исследования по применению искусственных нейронных сетей для классификации кривых восстановления давления. [33]

Интеллектуальные системы на основе искусственных нейронных сетей ( ИНС) позволяют с успехом решать проблемы идентификации и управления, прогнозирования, распознавания образов, оптимизации. Известны и иные, более традиционные, подходы к решению этих проблем, однако они не обладают необходимой гибкостью и имеют существенные ограничения на среду функционирования. ИНС дают многообещающие альтернативные решения, и многие приложения выигрывают от их использования. [34]

Интеллектуальные системы на основе искусственных нейронных сетей ( ИНС) позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. [35]

Проведенные расчеты показали, что искусственная нейронная сеть может успешно применяться для определения модели пласта по кривой восстановления давления. [36]

Рассмотрим подробнее основные положения теории искусственных нейронных сетей и приложении к задачам структурной оптимизации технологического процесса. [37]

Ниже рассматриваются возможности применения методов искусственных нейронных сетей для оптимизации средств по обеспечения надежности в объединениях ЭЭС. Основой их применения является то обстоятельство, что состав генерирующего и сетевого оборудования ЭЭС на момент рассмотрения вопросов обеспечения надежности практически сформирован и определен. Это позволяет сформировать случайным образом множество сценариев его изменения, для этого множества провести все оценочные расчеты количественных и интегральных показателей надежности и на их основе настроить нейронную сеть. [38]

Приведенный краткий материал о теории искусственных нейронных сетей является достаточным для перехода к следующей главе. Более подробная информация по структурам, алгоритмам обучения и использованию НС приведена, например, в рекомендуемой литературе. [39]

Существуют два подхода к созданию искусственных нейронных сетей. Информационный подход: безразлично, какие механизмы лежат в основе работы искусственных нейронных сетей, важно лишь, чтобы при решении задач информационные процессы в НС были подобны биологическим. Биологический: при моделировании важно полное биоподобие, и необходимо детально изучать работу биологического нейрона. [40]

Сходная трудность заключается в неспособности традиционных искусственных нейронных сетей объяснить, как они решают задачу. Внутреннее представление, получающееся в результате обучения, часто настолько сложно, что его невозможно проанализировать, за исключением самых простых случаев. Это напоминает нашу неспособность объяснить, как мы узнаем человека, несмотря на различие в расстоянии, угле, освещении и на прошедшие годы. Экспертная система может проследить процесс своих рассуждений в обратном порядке, так что человек может проверить ее на разумность. Сообщалось о встраивании этой способности в искусственные нейронные сети [3], что может существенно повлиять на приемлемость этих систем. [41]

Представим некоторые проблемы, решаемые искусственными нейронными сетями. [42]

В работе была поставлена задача разработки искусственной нейронной сети ( ИНС), способной восстанавливать форму кривой первичного тока по искаженной форме вторичного тока. Для ее решения была разработана математическая модель ТТ с применением пакета Matlab 6.5. Модель предназначена для расчета искаженных вторичных токов ТТ как при синусоидальных первичных токах, так и при первичных токах с присутствием негармонической составляющей. При моделировании были использованы итерационные методы с адаптивным выбором шага ode23s ( stiff / Mod. Параметрами модели являются амплитуда и фаза первичного тока, постоянная времени затухания апериодической составляющей, характеристика намагничивания, параметры схемы замещения и величина вторичной нагрузки ТТ. [43]

Рассмотрим несколько конкретных примеров применения аппарата искусственных нейронных сетей для решения популярных задач классификации, прогнозирования, аппроксимации, сжатия информации, построения экспертных систем и некоторых других. [44]

Комбинированное использование экспертной системы и аппарата искусственных нейронных сетей обеспечивает необходимую гибкость и самообучение на основе знаний, в то же время, полученные от экспертов знания позволяют существенно упростить структуру нейронных сетей, уменьшить число нейронов и связей в сети. [45]

Страницы: 1 2 3 4