Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии , физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами: Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе (смысл этого понятия подробно разъясняется далее в этой главе). На протяжение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики. Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро-биологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже "простые" нейронные сети, которые строит система ST Neural Networks , являются мощным оружием в арсенале специалиста по прикладной статистике.

Нейронная сеть — это последовательность нейронов, соединенных между собой синапсами.Классификация нейронных сетей по характеру обучения делит их на: ­ нейронные сети, использующие обучение с учителем; ­ нейронные сети, использующие обучение без учителя; -еейронные сети, использующие обучение с учителем

1. Актуальность темы

В наше время для разработки программного обеспечения приходиться приложить не мало усилий. Слишком много времени тратится на то, что логично было бы возложить на компьютеры - выбор методологи, проектирование, написание технического задания, тестирование - все это делает человек, и делает очень медленно. Доктор технических наук Максим Щербаков в своей лекции «Нейронные сети: maths & magic» ответил: «Да, это возможно».[1] Хорошо иметь автоматизированного помощника, который решит задачу просто имея некие критерии и шаблоны при этом платить ему не надо и сделает он это в кратчайшее время, но какие конкретно задачи могут решать нейронные сети в наше время? Развитие машинного обучения в наши дни идет семимильными шагами не сегодня так завтра машины смогут заменить человека в рутинных задачах. Составление технического задания не самое приятное занятие, особенно из-за необходимости расписать все крайне подробно и по форме. Каждая компания выбирает определенную методологию разработки программного обеспечения и меняет её крайне редко.[2]

2. Цель и задачи исследования, планируемые результаты

Целью данной работы является анализ и формирование характеристик искусственных нейронных сетей для решения задач “умного дома”.

Основные задачи исследования:

  1. Анализ характеристик искусственных нейронных сетей.
  2. Оценка способов уменьшения аппаратурных затрат путем кодирования состояний автоматов Мура.
  3. Объединение функционально различных направлений оптимизации нейросетей по аппаратурным затратам в унифицированный подход к синтезу и формирование рекомендаций по его использованию.
  4. Разработка альтернативных вариантов основных этапов унифицированного процесса синтеза нейросетей.

Объект исследования: создание нейросетей.

Предмет исследования: адаптивной искусственной нейронной сети.

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

  1. Адаптивной искусственной нейронной сети.
  2. Нейронной сети для решения задач "умного дома".
  3. Модификация известных по созданию нейросетей.

3. Описание искусственной нейронной сети для “Умного дома”

3.1 Масштабирование данных

Входные переменные должны масштабировать (шкалироваться), то есть приводиться к единому диапазону изменения. Необходимость масштабирования объясняется несколькими причинами. После кодирования информации входами и выходами нейронной сети могут быть разнородные величины, изменяющиеся в различных диапазонах. Все входные переменные желательно привести к единому диапазону и нормировать (максимальное абсолютное значение входных переменных не должно превышать единицу).[3] В противном случае ошибки, обусловленные переменными, изменяющимися в широком диапазоне, будут сильнее влиять на обучение сети, чем ошибки переменных, изменяющихся в узком диапазоне. Обеспечив изменение каждой входной переменной в пределах одного диапазона, мы обеспечим равное влияние каждой переменной на изменение весов в процессе обучения. .

3.2 Создание тестов и учебных наборов данных

В машинном обучении появляется такой феномен, который называется "переобучением". Это происходит, когда модели, во время учебы, становятся слишком запутанными - они достаточно хорошо обучены, но когда им передаются новые данные, которые они никогда на "видели", то результат, который они выдают, становится плохим. Иными словами, модели генерируются не очень хорошо. Чтобы убедиться, что мы не создаем слишком сложные модели, обычно набор данных разбивают на учебные наборы и тестовые наборы. Учебный набором данных, на которых модель будет учиться, а тестовый набор - это данные, на которых модель будет тестироваться после завершения обучения. Количество учебных данных должно быть всегда больше тестовых данных. Обычно они занимают 60-80% от набора данных.[4].

3.3 Создание ИНС

Биологический нейрон имитируется в ИНС через активационную функцию. В задачах классификации (например определение спам-сообщений) активационная функция должна иметь характеристику "включателя". Иными словами, если вход больше, чем некоторое значение, то выход должен изменять состояние, например с 0 на 1 или -1 на 1 Это имитирует "включение" биологического нейрона. В качестве активационной функции обычно используют сигмоидальную функцию:

4 Обучение нейросетей

Искусственная нейронная сеть обычно обучается с учителем. Это означает наличие обучающего набора (датасета), который содержит примеры с истинными значениями: тегами, классами, показателями. Неразмеченные наборы также используют для обучения нейронных сетей, но мы не будем здесь это рассматривать. Например, если вы хотите создать нейросеть для оценки тональности текста, датасетом будет список предложений с соответствующими каждому эмоциональными оценками. Тональность текста определяют признаки (слова, фразы, структура предложения), которые придают негативную или позитивную окраску. Веса признаков в итоговой оценке тональности текста (позитивный, негативный, нейтральный) зависят от математической функции, которая вычисляется во время обучения нейронной сети. Раньше люди генерировали признаки вручную. Чем больше признаков и точнее подобраны веса, тем точнее ответ. Нейронная сеть автоматизировала этот процесс. .


Барельеф
Рисунок 2 - Распознание картинки(анимация из 9-ми кадров, 6-ти циклов, размером 123 Кб)

Вывод

В Донецком национальном техническом университете (кафедра компьютерной инженерии) широко разрабатываются создание нейросетей для различных целей и применений.

При учете вышесказанного, что в прикладном смысле нейронная сеть позволяет получить приемлемое решение в тех ситуациях, когда трудно найти подходящую функцию, алгоритм от входных параметров или же такая функция потребует слишком сложной реализации и времени. Применительно к «Умному Дому» значительно проще и быстрее научить сеть на примерах, чем составлять объемные и сложные программы. Другими словами, процесс обучения (или самообучения) сети заменяет процесс традиционного программирования. Иногда это в значительной степени экономит время разработчика. Применение нейронных сетей в системах «Умный Дом»:

Можно придумать множество различных вариантов использования нейронных сетей в системах домашней автоматизации. В этом разделе я буду публиковать свои примеры использования этого подхода.

Список источников

  1. Jesse, Russell Искусственная нейронная сеть / Jesse Russell. - М.: VSD, 2012. - 0 c.
  2. Jesse, Russell Нейрон / Jesse Russell. - М.: VSD, 2012. - 0 c.
  3. Барский, А. Б. Логические нейронные сети / А.Б. Барский. - М.: Интернет-университет информационных технологий, Бином. Лаборатория знаний, 2007. - 352 c.
  4. Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2013. - 0 c.
  5. Бунаков, В. Е. Нейронная физика. Учебное пособие: моногр. / В.Е. Бунаков, Л.В. Краснов. - М.: Издательство Санкт-Петербургского университета, 2015. - 200 c.
  6. Головинский, П. А. Математические модели. Теоретическая физика и анализ сложных систем. Книга 2. От нелинейных колебаний до искусственных нейронов и сложных систем / П.А. Головинский. - М.: Либроком, 2012. - 234 c.
  7. Денис, Хусаинов Механизмы ритмической активности нейронов виноградной улитки / Хусаинов Денис , Иван Коренюк und Татьяна Гамма. - М.: LAP Lambert Academic Publishing, 2012. - 108 c.
  8. Как устроено тело человека. Выпуск 25. Нейроны. - М.: DeAgostini, 2007. - 30 c.
  9. Катехоламинергические нейроны. - М.: Наука, 1979. - 296 c.
  10. Круглов, В.В. Искусственные нейронные сети. Теория и практика: моногр. / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком; Издание 2-е, стер., 2002. - 382 c.
  11. Мандельштам, Ю. Е. Нейрон и мышца насекомого: моногр. / Ю.Е. Мандельштам. - М.: Наука, 1983. - 168 c.
  12. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. - М.: Горячая линия - Телеком, 2008. - 392 c.
  13. Парвин, Манучер Из серого. Концерт для нейронов и синапсов / Манучер Парвин. - М.: Страта, 2015. - 408 c.
  14. Позин, Н. В. Моделирование нейронных структур / Н.В. Позин. - М.: Наука, 1970. - 264 c.
  15. Рассел, Джесси Вербализация нейронных сетей / Джесси Рассел. - М.: VSD, 2013. - 0 c.
  16. Рассел, Джесси Искусственный нейрон / Джесси Рассел. - М.: VSD, 2013. - 0 c.
  17. Татузов, А. Л. Нейронные сети в задачах радиолокации / А.Л. Татузов. - М.: Радиотехника, 2009. - 432 c.
  18. Толкачев, С. Нейронное программирование диалоговых систем / С. Толкачев. - Москва: РГГУ, 2016. - 192 c.
  19. Шибзухов, З. М. Конструктивные методы обучения сигма-пи нейронных сетей / З.М. Шибзухов. - М.: Наука, 2006. - 160 c.
  20. Юревич, Артур Нейронные сети в экономике / Артур Юревич. - М.: LAP Lambert Academic Publishing, 2014. - 80 c.tex-5, Spartan-3, and Newer CPLD Devices [Электронный ресурс]. – Режим доступа: http://www.xilinx.com/support....