Структура - нейронная сеть
Cтраница 1
Структура нейронной сети и структура алгоритма решения задачи, представленные в системе остаточных классов, обладают естественным параллелизмом. Выше изложенное позволяет сделать вывод о том, что алгоритмы функционирования вычислительных средств, представленных в системе остаточных классов, можно представить как алгоритмы нейроподобных вычислительных образований. По этой причине схемы в остаточных классах адекватны схемам, которые реализованы с помощью искусственных нейронов. [1]
Выбор структуры нейронной сети осуществляется в соответствии с особенностями и сложностью задачи. Для решения отдельных типов задач уже существуют оптимальные конфигурации, описанные в приложении. Если же задача не может быть сведена ни к одному из известных типов, приходится решать сложную проблему синтеза новой конфигурации. [2]
Алгоритмы имитации отжига различаются структурами нейронных сетей, для обучения которых они используются, а также правилами, в соответствии с которыми допускаются шаги, увеличивающие энергию системы. [3]
Дальнейшее улучшение качества расчета возможно за счет усложнения структуры нейронной сети либо увеличением числа нейронов в скрытом слое, либо введением второго скрытого слоя. [4]
Диалоговые мини-окна контрольной панели ( рис. 5.27) позволяют задать структуру нейронной сети, выбрать алгоритм и параметры ее обучения. [5]
Как и NeuroSolutions, NeuralWorks Professional имеет хорошую систему визуализации данных: структуры нейронной сети, изменения ошибки обучения, изменения весов и их корреляции в процессе обучения. Последнее является уникальным свойством пакета и полезна при анализе поведения сети. [6]
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. [7]
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. [8]
В книге американского автора в общедоступной форме излагаются основы построения нейрокомпьютеров. Описаны структура нейронных сетей и различные алгоритмы их настройки. Отдельные главы посвящены вопросам реализации нейронных сетей. [9]
 |
Простой перцептрон с двумя входами и одним выходом. [10] |
Обычно в структуре нейронных сетей выделяют отдельные слои, а параллельный характер сетей делает их пригодными для решения многопараметрических задач, в том числе, в качестве классификаторов образов. [11]
Итак, предлагается отказоустойчивая структура высокопроизводительного ПК на основе использования СОК. Сочетание таких свойств, как независимость арифметических операций и массовый параллелизм обработки данных, позволяет использовать структуру модульных нейронных сетей, реализованных на ПЛИС. [12]
С нейрокомпьютерной точки зрения достоинства нечетких моделей как раз и связано с нелинейностью функции принадлежности. Фиксирование и изначальное задание архитектуры сети позволяет интерпретировать ее решения. И что особенно важно, описанный подход по сути позволяет инкорпорировать априорные знания в структуру нейронной сети. [13]
Извлечение правил из нейронных сетей подразумевает их предварительное обучение. Поскольку эта процедура требует много времени для больших баз данных, то естественна та критика, которой подвергается использование нейротехнологии для извлечения знаний. Другим поводом для такой критики является трудность инкорпорации в нейронные сети некоторых имеющихся априорных знаний. Тем не менее, главным является артикуляция правил на основе анализа структуры нейронной сети. Если эта задача решается, то низкая ошибка классификации и робастность нейронных сетей дают им преимущества перед другими методами извлечения знаний. [14]
Традиционные программы выполняют точно установленные инструкции в определенный момент времени. В процессе выполнения вычислений в соответствии с традиционной программой для ЭВМ таг за шагом производится последовательность действий, пока не будет получен некоторый результат. Прохождение данных по нейронной сети и их преобразования, напротив, не могут быть заранее определены по причине иерархической структуры сети и распределенное. Кроме того, входные данные могут быть недоопределены или определены нечетко, что в традиционных программах не представляется возможным. Поставленная задача может быть решена псйросетыо, даже если входная информация не рассматривалась ранее при обучении, при условии, что обрабатываемые данные не выходят за предъявляемые к ним ограничения. Нейронные сети занимают небольшой объем памяти, так как сохраняется лишь структура нейронной сети и матрица весовых коэффициентов. Аппаратные реализации ИНС идеально подходят для решения задач идентификации и управления, так как обеспечивают, благодаря параллельной структуре, чрезвычайно высокую скорость выполнения операций. [15]
Страницы: 1 2