теоретическая часть к 1-ой лабораторной работе по АИУС (Лабораторная работа 1 по авт.системы)

Посмотреть архив целиком


Лабораторная работа №1



Структура и свойства искусственного нейрона и его программная реализация



Нейронные сети - это сети, состоящие из связанных между собой простых элементов-нейронов.

В основу концепции положена идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важные качества определяются связями между нейронами

Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала.

Нейронные сети обладают следующими свойствами:

  1. однородность системы(элементы одинаковы и чрезвычайно просты, все определяется структурой связи).

2) надёжность системы из ненадежных элементов и использование простых аналоговых элементов.

  1. при разрушении случайно выбранной части системы она сохраняет свои свойства.



Предполагается, что широкие возможности в системе связей компенсируют бедность выбора элементов, их надежность и возможные разрушения частей связи.

Используемая в нейроинформатике идеальная схемотехника представляет собой язык описания нейронных сетей и их обучения. При программной и аппаратной реализации выполненные на этом языке описания переводятся на более подходящие языки другого уровня.

Самым важным элементом является сумматор, который вычисляет скалярное произведение вектора входного сигнала X на вектор параметров.

Он называется адаптивными сумматоров из-за наличия вектора настраиваемых параметров b


Линейный преобразователь сигнала получает скалярный выходной сигнал Х и переводит его в заданную нелинейную функцию f(x)

Точка ветвления служит для рассылки одного сигнала по нескольким адресам. Она получает скалярный входной сигнал и передает его на все свои выходы



Стандартный формальный нейрон состоит из входного сумматора, нелинейного преобразователя и точки ветвления на выходе.


Функции активации нейрона




  1. линейная







  1. ступенчатая













  1. сигноидальная



или



- математическая модель нейрона




W1….W6…Wn - вес связи

b - значение смещения

S - результат суммирования (аргумент функции активации)

x1…x6…xn - коэффициент входного вектора(входной сигнал)

y - выход нейрона(определяется видом функции активации)


Каждый вход умножается на соответствующий вес, все произведения суммируются и подаются на вход функции активации


Случайные файлы

Файл
57671.rtf
144398.rtf
MADON1.doc
24940-1.rtf
23725.rtf




Чтобы не видеть здесь видео-рекламу достаточно стать зарегистрированным пользователем.
Чтобы не видеть никакую рекламу на сайте, нужно стать VIP-пользователем.
Это можно сделать совершенно бесплатно. Читайте подробности тут.