Išplėstinė paieška
 
 
 
Pradžia>Informatika>Dirbtiniai neuroniniai tinklai (DNT)
   
   
   
-1
naudingas +1 / nenaudingas -2

Dirbtiniai neuroniniai tinklai (DNT)

  
 
 
12345678910111213141516171819
Aprašymas

Įvadas į dirbtinius neuroninius tinklus. Dirbtinių neuroninių tinklų veikimas. Neurono modelis – supaprastintas analogas biologiniam neuronui. Biologiniai ir dirbtinių neuroninių tinklų palyginimas. Neuroninių tinklų mokymo principas. Dirbtinių neuroninių tinklų mokymo būdai. Dirbtinių neuroninių tinklų naudojimo sritys. Balso atpažinimo sistema (bas). Neuroninių tinklų privalumai ir trūkumai. Adalinos ir madalinos dirbtinių neuronų tinklai. Kuo adalina yra panaši į kitus DNT? Kuo adalinos skiriasi nuo kitų DNT? Adalinos tinklo mokymas. Adalinos ir madalinos tinklų privalumai. Madalinos tinklo mokymas. Tinklų trūkumai. Perceptronų tinklas. Elementaraus perceptronų tinklo struktūra. Perceptronų tinklo struktūrų tipai. Perceptronų tinklo savybės. Perceptronų tinklo privalumai. Perceptronų tinklo trūkumai. Panaudojimo sritys. Darbas iliustruotas paveikslėliais, schemomis.

Ištrauka

Dirbtiniai neuroniniai tinklai (toliau - DTN) – skaitmeninių signalų apdorojimo, duomenų atpažinimo, klasifikavimo ir prognozavimo principas, turintis analogijų su žmogaus mąstymu. Šis principas buvo kuriamas imituojant žmogaus smegenų veikimą – informacijos talpinimą bei paiešką neuronų tinkluose (todėl šis principas dažnai dar yra vadinamas ir kitu vardu - daugiasluoksnis perceptronas). Žmogaus mąstymas paremtas tuo, kad jis, turėdamas "pradines taisykles" (iš patirties ar pan.), pagal jas klasifikuoja objektus, ir jų atpažinimo metu gali papildyti klasifikavimo taisykles, arba atrasti naujas. Tačiau patį klasifikavimo principą atpažinimo sistema gauna ne formaliu keliu, o pati turi atrasti, remdamasi gauta informacija. Iš čia kyla pagrindinė neuroninių tinklų savybė ir analogas su žmogaus smegenimis, pagrindinis neuroninių tinklų privalumas – tai, kad jie gali būti apmokomi (plačiau žr. į skyrelį "Neurninių tinklų mokymo principas").
Smegenis atstojančio tinklo struktūra ir neuronų funkcijos nėra visiškai fiksuojamos – kaupiant patirtį jos yra koreguojamos. Tai leidžia mokytis ir reaguoti į naujas situacijas, remiantis ankstesne patirtimi. Ryšiai tarp neuronų – dendritai - silpsta ir žūsta, jei yra visiškai nenaudojami, ir, atvirkščiai, kaskart kai tam tikras ryšys perduoda signalą, specialus algoritmas jį sustiprina. Žuvus kuriam ryšiui, neuronas gali išleisti naują "šaką" ir prisijungti prie kitų to paties ar kito sluoksnio neuronų. Jei naujasis ryšys pasirodo naudingas, jis yra sustiprinamas. Kitaip tariant, duomenys verčiami į didesnį ar mažesnį svorį, turintį įtakos sprendimui, todėl šių svorių parinkimas yra pagrindinis algoritmo uždavinys.

Dirbtinių neuroninių tinklų pagrindas – informacijos apdorojimo vienetas – neuronas, t.y. funkcija, įgijanti reikšmes iš binarines aibes {0, 1} – vaizdžiau {Melas, Tiesa}. Kadangi veiksmai kompiuteryje pagrįsti binarine algebra, šio principo panaudojimas yra paprastesnis nei kitų, nes gana efektyviai išnaudoja kompiuterio architektūros ypatumus.
Kad suprastume šio principo panašumą su žmogaus smegenų veikla, panagrinėkime pavyzdį – pradinio žingsnio parinkimą pirmajame klasifikacijos etape, kai atsitiktiniu būdu bandoma parinkti funkciją, labiausiai aproksimuojančią turimus duomenis ...

Rašto darbo duomenys
Tinklalapyje paskelbta2005-09-15
DalykasInformatikos referatas
KategorijaInformatika
TipasReferatai
Apimtis19 puslapių 
Literatūros šaltiniai19
Dydis236.39 KB
AutoriusKristina
Viso autoriaus darbų1 darbas
Metai2005 m
Klasė/kursas3
Švietimo institucijaVilniaus Gedimino Technikos Universitetas
Failo pavadinimasMicrosoft Word Dirbtiniai neuroniniai tinklai (DNT) [speros.lt].doc
 

Panašūs darbai

Komentarai

Komentuoti

 

 
[El. paštas nebus skelbiamas]

 
 
  • Referatai
  • 19 puslapių 
  • Vilniaus Gedimino Technikos Universitetas / 3 Klasė/kursas
  • 2005 m
Ar šis darbas buvo naudingas?
Taip
Ne
+1
-2
Pasidalink su draugais
Pranešk apie klaidą