Теория сетей 4
Сравнительный анализ нейросетевых реализаций алгоритмов распознавания образов - И.Е. ШепелевОсновным назначением системы распознавания образов является отыскание решения о принадлежности предъявляемых ей образов некоторому классу. Один из важных подходов к задаче предполагает использование разделяющих функций. В условиях, когда мы обладаем лишь немногочисленными априорными сведениями о распознаваемых образах, при построении распознающей системы лучше всего использовать обучающую процедуру. На первом этапе выбираются произвольные разделяющие функции и затем в процессе выполнения итеративных шагов обучения эти разделяющие функции доводятся до оптимального либо приемлемого вида.
Классификация сейсмических сигналов на основе нейросетевых технологий
Для того, чтобы обсуждать возможности нейросетевых технологий необходимо хотя бы немного иметь представление об элементарных понятиях, о том, что же такое нейрон, нейронная сеть, из чего она состоит и какие процессы в ней происходят. В нейроинформатике для описания алгоритмов и устройств выработана специальная «схемотехника», в которой элементарные устройства – сумматоры, синапсы, нейроны и т.п. объединяются в сети, предназначенные для решения задач. Это своего рода особенный язык для представления нейронных сетей и их обсуждения. При программной и аппаратной реализации на этом языке описания переводятся на языки другого уровня, более пригодные для реализации.
Нейросетевая реализация системы автономного адаптивного управления
Среди имитационных подходов выделяется класс нейросетевых методов. Нейронные сети (НС) нашли широкое применение в областях искуственного интеллекта, в основном связанных с распознаванием образов и с теорией управления. Одним из основных принципов нейросетевого подхода является принцип коннективизма. Суть его выражается в том, что рассматриваются очень простые однотипные объекты, соединенные в большую и сложную сеть. Таким образом, НС является в первую очередь графом, с которым можно связать совокупность образов, представленных как численные значения, ассоциированные с вершинами графа, алгоритм для преобразования этих численных значений посредством передачи данных между соседними вершинами и простых операций над ними. Современный уровень развития микроэлектроники позволяет создавать нейрочипы, состоящие из очень большого числа простых элементов, способных выполнять только арифметические операции. Таким образом, нейросетевые методы поддерживается аппаратно.
Э. Е. Тихонов - Методы прогнозирования в условиях рынка
В учебном пособии рассмотрены вопросы практического применения методов прогнозирования. Особенность данного издания - рассмотрение концепций применения методов прогнозирования одновременно с вопросами их практической реализации в современных программных средствах MS Excel, Statistica, Statistica Neural Networks. Пособие состоит из четырех частей. В первой части сделан аналитический обзор методов и моделей прогнозирования. Во второй части на примерах разобраны адаптивные методы прогнозирования, модель Уинтерса (экспоненциального сглаживания с мультипликативной сезонностью и линейным ростом) и модель Тейла-Вейджа. В третьей части подробно разобраны вопросы практической реализации линейных и нелинейных многофакторных моделей в пакете Statistica. В четвертой части описаны практические аспекты нейросетевого прогнозирования с использованием пакета Statistica Neural Networks. Каждый раздел заканчивается контрольными вопросами и заданиями для самостоятельной работы.
