Išplėstinė paieška
 
 
 
Pradžia>Informatika>Neuroniniai tinklai ir genetiniai algoritmai
   
   
   
-2
naudingas 0 / nenaudingas -2

Neuroniniai tinklai ir genetiniai algoritmai

  
 
 
12345678910111213141516171819202122
Aprašymas

Įvadas. Neuroniniai tinklai. Neuroninių tinklų struktūra ir veikimo principas. Neuroninių tinklų mokymas. Genetiniai algoritmai. Įvadas. Sprendimų paieškos erdvė. Biologinis pagrindas. Genetinis algoritmas. Chromosomos kodavimas. Kryžminimas ir mutacija. Selekcija. Pastovios būsenos selekcija ir elitizmas. Genetinio algoritmo pritaikymas neuroniniam tinklui. Chromosomų kodavimas, operatoriai ir algoritmo realizavimas. Uždaviniai ir eksperimentavimo metodika. Uždaviniai. Eksperimentavimo metodai. Eksperimentai. Bandymai su XOR problema. Bandymai su IRIS duomenimis. Bandymai su skaičių atpažinimu. Išvados.

Ištrauka

Šio darbo tikslas yra susipažinti su genetiniais algoritmais, jų veikimo principais, pritaikyti juos neuroniniams tinklams ir palyginti gautus rezultatus su standartine neuroninių tinklų mokymo funkcija "back-propagation".

Genetiniai algoritmai buvo atrasti visai neseniai ir jais buvo domimasi tik per pastaruosius kelis dešimtmečius. Todėl ši sritis kol kas yra labai jauna ir mažai ištirta. Galbūt dėl savo netradicinių ir sunkiai kontroliuojamų veikimo principų ji nelabai domina aplinkinius stengtis ją plėtoti ar tiesiog domėtis. Bet nežiūrint to jau egzistuoja realūs bandymai pritaikyti įvairioms problemoms spręsti ir tikriausiai vis daugiau dėmesio yra skiriama šiai sričiai.


Tinklas yra mokomas keičiant jungčių tarp neuronų svorius. Šitaip yra imituojamas jungčių sudarymas ir nutraukimas biologinėse smegenyse. Standartinis ir dažniausiai naudojamas tinklams apmokyti algoritmas yra "back-propagation", kurio metodas remiasi svorių keitimu pagal lokalius nuolydžius. Norint išmokyti tinklą pirmiausia reikia turėti apmokymo aibę, su įvedimo ir rezultatų duomenimis. Yra situacijų kai tokia aibė neegzistuoja (pvz. klasifikavimo uždaviniuose), tada yra taikomi kitokie algoritmai, kurių metu tinklai mokosi atskirti tam tikrus požymius.

Prieš keičiant svorius pirmiausia tinklą reikia įvykdyti ir gautus rezultatus sulyginti su norimais. Pagal juos yra apskaičiuojama klaidos funkcija. "Back-propagation" algoritmas stengiasi minimizuoti šią funkciją apskaičiuodamas dalines išvestines kiekvienam svoriui ir atitinkamai juos pakeisdamas. Deja, toks algoritmas remiasi tik lokaliais nuolydžiais, todėl neretai jis gali įstrigti lokalaus minimumo taškuose, ir tinklas nesugebės pasiekti norimų rezultatų. ...

Rašto darbo duomenys
Tinklalapyje paskelbta2006-10-12
DalykasInformatikos diplominis darbas
KategorijaInformatika
TipasDiplominiai darbai
Apimtis20 puslapių 
Literatūros šaltiniai5
Dydis82.38 KB
AutoriusTomas
Viso autoriaus darbų2 darbai
Metai2003 m
Klasė/kursas4
Mokytojas/DėstytojasValdas Dičiūnas
Švietimo institucijaŠiaulių Universitetas
FakultetasMatematikos ir informatikos fakultetas
Failo pavadinimasMicrosoft Word Neuroniniai tinklai ir genetiniai algoritmai [speros.lt].doc
 

Panašūs darbai

Komentarai

Komentuoti

 

 
[El. paštas nebus skelbiamas]

 
 
  • Diplominiai darbai
  • 20 puslapių 
  • Šiaulių Universitetas / 4 Klasė/kursas
  • Valdas Dičiūnas
  • 2003 m
Ar šis darbas buvo naudingas?
Taip
Ne
0
-2
Pasidalink su draugais
Pranešk apie klaidą