WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаІнформатика, Компютерні науки → Архітектура нейронної мережі - Реферат

Архітектура нейронної мережі - Реферат


Реферат
Архітектура нейронної мережі
ВСТУП
Термін "нейронні мережі" сформувався до середини 50-х років XX століття. Основні результати в цій області зв'язані з іменами У.Маккалоха, Д.Хебба, Ф.Розенблатта, М.Мінського, Дж.Хопфілда.
Під нейронними мережами маються на увазі обчислювальні структури, що моделюють прості біологічні процеси, зазвичай асоційовані з процесами людського мозку. Вони являють собою розподілені і паралельні системи, здатні до адаптивного навчання шляхом аналізу позитивних і негативних впливів. Елементарним перетворювачем у даних мережах є штучний нейрон чи просто нейрон, названий так за аналогією з біологічним прототипом. До теперішнього часу запропоновано і вивчено велика кількість моделей нейроподібних елементів і нейронних мереж.
Штучні нейронні мережі будуються по принципах організації і функціонування їхніх біологічних аналогів. Глибоке вивчення штучних нейронних мереж вимагає знання нейрофізіології, науки про пізнання, психології, фізики (статистичної механіки), теорії керування, теорії обчислень, проблем штучного інтелекту, математики, розпізнавання образів, рівнобіжних обчислень і апаратних засобів (цифрових і аналогових). З іншого боку, штучні нейронні мережі також стимулюють ці дисципліни, забезпечуючи їх новими інструментами і уявленнями. Цей симбіоз життєво необхідний для дослідження нейронних мереж. Вони здатні вирішувати широке коло задач розпізнавання образів, ідентифікації, прогнозування, оптимізації, керування складними об'єктами.
Дана курсова робота призначена для закріплення знань по математичних і програмних засобах моделювання систем за допомогою нейронних мереж, розвитку практичних навиків комплексного рішення задач дослідження і проектування систем управління на базі сучасних ЕОМ, а також для розвитку навиків науково-дослідної і проектно-конструкторської роботи в області дослідження і розробки складних систем.
Основним завданням даної курсової роботи є розробка і розрахунок нейронної мережі для одного із поширених напрямків застосування, а саме для прогнозування (завбачення) значень математичної функції (у тому числі функції часу), виходячи з її попередніх значень.
1 ПОСТАНОВКА ЗАВДАННЯ
Створити нейронну мережу для передбачення (завбачення) поточного значення часової функції за її попередніми значеннями. Часова функція отримується як перехідна характеристика ланки другого порядку з коефіцієнтом підсилення К , ступенем затухання , постійної часу Т (див. таблицю 1.1). В таблиці наведені також час перехідного процесу tп, час наростання tн та кількість коливань перехідної характеристики за час перехідного процесу n ; ці параметри не приймають участь у розрахунках і приводяться лише для більш повної характеристики перехідного процесу.
Таблиця 1.1 - Варіант технічного завдання
Варіант К Т, с tп , с tн , с n
17 2 0.3 0.5 9 1 3
Для виконання поставленого завдання на курсову роботу необхідно:
- сформувати вхідний і цільовий масиви даних для навчання мережі, а також контрольні (вхідний і цільовий) масиви даних, призначені для тестування створеної мережі;
- провести навчання мережі за допомогою одного з відомих алгоритмів;
- провести моделювання процесу обробки контрольного масиву даних за допомогою створеної мережі;
- оцінити роботу створеної мережі за допомогою проведення регресійного аналізу цільових даних і вихідних даних, отриманих в результаті моделювання;
- забезпечити значення R?0.99 коефіцієнта кореляції, отриманого після регресійного аналізу (ідеальна кореляція відповідає R =1.00);
- надати приклад застосування створеної мережі;
- звести всі отримані результати в пояснювальну записку, оформлену відповідно до діючого стандарту [1], перелік обов'язкових складових пояснювальної записки наводиться нижче.
Перелік обов'язкових складових пояснювальної записки:
- узагальнена схема нейронної мережі;
- опис створеної мережі як об'єкта Neural Network, що виконується програмою;
- вхідний і цільовий масиви для навчання мережі (не повністю);
- вхідний і цільовий масиви для тестування мережі (не повністю);
- вихідний масив при тестуванні;
- масив відносних помилок тестування (ВПТ), обчислених у відсотках;
- графік зменшення помилки в процесі навчання;
- графік ВПТ;
- графік, на якому відображено результати регресійного аналізу з вказівкою значення коефіцієнта кореляції R;
- матриці вагових коефіцієнтів і зміщень кожного нейрона після закінчення навчання;
- середнє модулів ВПТ, обчислене за допомогою MATLAB функції MAE;
- приклад застосування створеної мережі;
- всі m-файли, необхідні для отримання перелічених результатів;
- файл результату виконання програми с включенням виконаних файлів;
- графіки часових функцій на вході і виході мережі.
Всі перелічені результати за виключенням схеми і графіків повинні міститись у файлі результатів, що вказаний у переліку останнім. Узагальнену схему створеної нейронної мережі можна отримати за допомогою: по-перше, GUI інтерфейсу пакета прикладних програм Neural Network Toolbox, який називається NNTool, по-друге, за допомогою пакета Simulink.
2 ТЕОРЕТИЧНА ЧАСТИНА
2.1 Структура штучного нейрона
Нейрон є складовою частиною нейронної мережі. На рисунку 2.1 представлена його структура. Він складається з елементів трьох типів: помножувачів (синапсів), суматора і нелінійного перетворювача. Синапси здійснюють зв'язок між нейронами, множать вхідний сигнал на число, що характеризує силу зв'язку, (вагу синапса). Суматор виконує додавання сигналів, що надходять по синаптичним зв'язках від інших нейронів і зовнішніх вхідних сигналів. Нелінійний перетворювач реалізує нелінійну функцію одного аргументу - виходу суматора. Ця функція називається функцією активації чи передатною функцією нейрона.
Рисунок 2.1 - Структура штучного нейрона
Математична модель штучного нейрона є наступною:
, (2.1)
(2.2)
де wі - вага (weight) синапса, i=1…n; b - значення зсуву (bias); s - результат сумування (sum); хi - компонент вхідного вектора (вхідний сигнал), i=1…n;
у - вихідний сигнал нейрона; п - число входів нейрона; f - нелінійне перетворення (функція активації).
В загальному випадку вхідний сигнал, вагові коефіцієнти і зсув можуть приймати дійсні значення, а в багатьох практичних задачах - лише деякі фіксовані значення. Вихід у визначається видом функції активації і може бути як дійсним, так і цілим.
Описаний обчислювальний елемент можна вважати спрощеною математичною моделлю біологічних нейронів, щоб підкреслити відмінність нейронів біологічних і штучних, другі іноді називають нейроноподібними елементами чи формальними нейронами.
2.2 Архітектура нейронної мережі
Вибір структури нейтронної мережі здійснюється відповідно до особливостей і складності задачі. При цьому можливості мережі зростають при збільшенні кількостінейронів, кількості зв'язків між ними та кількості шарів. Для рішення окремих типів задач вже існують оптимальні конфігурації, які називають парадигмами. Якщо ж задача не може бути зведена до жодної з відомих парадигм, треба розв'язувати проблему синтезу нової парадигми (в курсовій роботі не передбачено). Таким чином, архітектура мережі складається з опису того, скільки шарів має мережа, кількості нейронів в кожному шарі, виду функцій активації кожного шару і інформації про з'єднання шарів.
У курсовій роботі використовуються виключно багатошарові нейронні мережі, які в свою чергу, можна поділити на:
- мережі прямого розповсюдження ;
- мережі зі зворотними зв'язками.
У мережах прямого розповсюдження [3] нейрони вхідного шару отримають вхідні сигнали, перетворюють і передають їх нейронам першого шару, останні - нейронам другого, потім третього і так дальше аж до вихідного шару, який видає їх користувачу. У мережах зі зворотними
Loading...

 
 

Цікаве