Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

Структура нейронної мережі прийшла в світ програмування прямо з біології. Завдяки такій структурі, машина отримує можливість аналізувати і навіть запам'ятовувати різну інформацію. Нейронні мережі також здатні не тільки аналізувати вхідну інформацію, а й відтворювати її зі своєї пам'яті. Іншими словами, нейросеть це машинна інтерпретація мозку людини, в якому знаходяться мільйони нейронів, що передають інформацію у вигляді електричних імпульсів.

Нейронна мережа - це послідовність нейронів, з'єднаних між собою сінапсамі.Классіфікація нейронних мереж за характером навчання ділить їх на: нейронні мережі, що використовують навчання з учителем; нейронні мережі, що використовують навчання без вчителя; -еейронние мережі, що використовують навчання з учителем

1. Актуальність теми

У наш час для розробки програмного забезпечення доводиться докласти чимало зусиль. Занадто багато часу витрачається на те, що логічно було б покласти на комп'ютери - вибір методології, проектування, написання технічного завдання, тестування - все це робить людина, і робить дуже повільно. Доктор технічних наук Максим Щербаков у своїй лекції «Нейронні мережі: maths & magic» відповів: «Так, це можливо». Добре мати автоматизованого помічника, який вирішить завдання просто маючи певні критерії і шаблони при цьому платити йому не треба і зробить він це в найкоротший час, але які конкретно завдання можуть вирішувати нейронні мережі в наш час? Розвиток машинного навчання в наші дні йде семимильними кроками не сьогодні так завтра машини зможуть замінити людину в рутинних завданнях. Складання технічного завдання не найприємніше заняття, особливо з-за необхідності розписати все вкрай докладно і по формі. Кожна компанія вибирає певну методологію розробки програмного забезпечення і змінює її вкрай рідко.

2. Мета і завдання дослідження, плановані результати

Метою даної роботи є аналіз і формування характеристик штучних нейронних мереж для вирішення задач "розумного будинку".

Основні завдання дослідження:

  1. Аналіз характеристик штучних нейронних мереж.
  2. Оцінка способів зменшення витрат апаратури шляхом кодування станів автоматів Мура.
  3. Об'єднання функціонально різних напрямків оптимізації нейромереж по апаратурним витратам в уніфікований підхід до синтезу і формування рекомендацій щодо його використання.
  4. Розробка альтернативних варіантів основних етапів уніфікованого процесу синтезу нейромереж.

Об'єкт дослідження : створення нейромереж.

Предмет дослідження : адаптивної штучної нейронної мережі

В рамках магістерської роботи планується отримання актуальних наукових результатів за наступними напрямками:

  1. Адаптивної штучної нейронної мережі
  2. Нейронної мережі для вирішення задач "розумного будинку"
  3. Модифікація відомих по створенню нейромереж

3. Опис штучної нейронної мережі для "Розумного будинку"

3.1 Масштабування даних

Вхідні змінні повинні масштабироваться (шкалірованние), тобто приводитися до єдиного діапазону зміни. Необхідність масштабування пояснюється декількома причинами. Після кодування інформації входами і виходами нейронної мережі можуть бути різнорідні величини, що змінюються в різних діапазонах. Всі вхідні змінні бажано привести до єдиного діапазону і нормувати (максимальне абсолютне значення вхідних змінних не повинно перевищувати одиницю). В іншому випадку помилки, обумовлені змінними, що змінюються в широкому діапазоні, будуть сильніше впливати на навчання мережі, ніж помилки змінних, що змінюються у вузькому діапазоні. Забезпечивши зміна кожної вхідної змінної в межах одного діапазону, ми забезпечимо рівний вплив кожної змінної на зміну ваг в процесі навчання. .

3.2 Створення тестів і навчальних наборів даних

В машинному навчанні з'являється такий феномен, який називається "перенавчанням". Це відбувається, коли моделі, під час навчання, стають занадто заплутаними - вони досить добре навчені, але коли їм передаються нові дані, які вони ніколи на "бачили", то результат, який вони видають, стає поганим. Іншими словами, моделі генеруються не дуже добре. Щоб переконатися, що ми не створюємо занадто складні моделі, зазвичай набір даних розбивають на навчальні набори і тестові набори. Навчальний набором даних, на яких модель буде вчитися, а тестовий набір - це дані, на яких модель буде тестуватися після завершення навчання. Кількість навчальних даних має бути завжди більше тестових даних. Зазвичай вони займають 60-80% від набору даних ..

3.3 Створення ІНС

Біологічний нейрон імітується в ІНС через активаційну функцію. У задачах класифікації (наприклад визначення спам-повідомлень) активаційна функція повинна мати характеристику "вмикача". Іншими словами, якщо вхід більше, ніж деяке значення, то вихід повинен змінювати стан, наприклад з 0 на 1 або -1 на 1 Це імітує "включення" біологічного нейрона. Як активационной функції зазвичай використовують сигмоїдальну функцію:

4 Технології системи «Розумний будинок»

Технологія 1-Wire На поточний момент є безліч технології управління електроживленням. З Амая, проста, популярна і недорога в реалізації, це 1-wire від компанії Maxim / Dallas. Технологія 1-wire далеко не нова і відома вже близько 10 років. 1-wire широко застосовується як в побуті, так і в промислових системах. Переваги 1-wire: - Проста і зрозуміла архітектура мережі; - Низькі вимоги до кабелів; - Велика протяжність лінії; - Низька вартість і простота компонентів; - Відкритий протокол і доступне ПО для програмування; - Можливість в певних ситуаціях обходитися без харчування. - Недоліки: - Низька швидкість передачі даних; - Обов'язкова наявність майстра, провідного мережі. Пристрої обміну даними це пасивні елементи ланцюга. Компоненти 1-wire не можуть без спеціального запиту посилати в мережу дані. 1-wire пристрої не можуть спілкуватися один з одним без «активного» ведучого. Елементи мережі є завжди відомими. Майстер в мережі 1-wire тільки один. Він ініціює, контролює і управляє роботою мережі і підключених до мережі пристроїв. Залежно від використовуваного програмного забезпечення, майстер 1-wire лінії може по-різному працювати зі своїми підопічними, але тільки він в кінцевому підсумку може опитати стан конкретного елемента, а також надіслати запит на отримання від цього елемента будь-якої інформації. Наприклад, якщо необхідно в режимі реального часу виводити значення температури з безлічі датчиків, то майстер мережі в циклі буде по черзі опитувати ці датчики. Відповідати майстру по мережі може тільки один пристрій. Як майстри може виступати МК (мікроконтролер), який може при відповідному ПО безпосередньо включатися в мережу 1-wire до одного зі своїх портів введення-виведення. Майстром може виступати також ПК (персональний комп'ютер), який використовує спеціальні елементи сполучення, що дозволяють з'єднувати 1-wire з COM-портом або USB-портом комп'ютера, такі як DS9097 або DS9490. технологія Ethernet - дуже поширений стандарт. Він дуже добре документований.

Існує величезна кількість контролерів, мікропроцесорів, окремих чіпів, готових пристроїв з вбудованим Ethernet. Порт Ethernet інтегрується в побутову техніку, телевізори, плеєри, ресивери, не кажучи вже про комп'ютери.

Мінімальна швидкість передачі даних складає 10/100 Мбіт / с, що більш ніж достатньо для будь-яких завдань домашньої автоматизації. Технологія Ethernet має гарну помехозащищенностью і надійністю при чималому для будинку довжині сегментів. У технологію закладені всі необхідні механізми вирішення "колізій", контролю цілісності передачі даних. Пристрої для "розумної" організації мережі (комутатори, маршрутизатори) продаються в будь-якому магазині практично за копійки. Фактично Ethernet зараз є якщо і не головним, то одним з основних стандартів для організації високошвидкісного обміну інформацією між різними пристроями як вдома, так і в офісі. Крім цього, мене в технології Ethernet цікавив не тільки і не стільки фізичний рівень моделі даних, скільки мережевий і транспортний.

Не секрет, що Ethernet найчастіше використовують разом з протоколами TCP / IP. Розумний Дім - це набір простих пристроїв, що підтримують TCP / IP, SNMP, SMTP і Web-інтерфейс на базі протоколу HTTP, доступних для управління, програмування і контролю з будь-якого стандартного клієнта (комп'ютера, планшетного ПК, нетбука, комунікатора, телефону) як по локальної мережі, так і через Інтернет, 3G / GPRS, Wi-Fi і т.д. При цьому управляти пристроями можна як безпосередньо, так і за допомогою спеціального контролера (сервера), який би міг зробити таке управління більш комфортним, включаючи просунуті можливості Web-інтерфейсу (Ajax, Flash). Це дуже важливий момент, тому що в Ethernet немає обов'язкового майстри мережі і всі пристрої можуть спілкуватися один з одним безпосередньо і залишаються доступними для управління в разі якихось неполадок з основним контролером. Багато найбільші в світі компанії, що пропонують системи домашньої автоматизації, поступово переводять лінійки своїх продуктів на технології Ethernet і TCP / IP, так як це зручно, швидко, відносно дешево і просто. Крім того, розетки, роз'єми, кабелі UTP / STP / FTP, стійки, аксесуари, короби, інструмент - все це доступно в будь-якій точці світу, що дозволяє недорого і швидко розгортати системи навіть дуже складності. Топологією сучасних мереж на базі Ethernet є зірка. Це означає, що необхідно до кожного пристрою вести свій кабель. У цьому є певний недолік, так як в будинку з уже готовою обробкою така автоматизація виглядає скрутній.

4.1 Класифікація нейронних мереж

Нейронна мережа - це послідовність нейронів, з'єднаних між собою синапсами ПОСИЛАННЯ. Структура нейронної мережі прийшла в світ програмування прямо з біології. Завдяки такій структурі, машина отримує можливість аналізувати і навіть запам'ятовувати різну інформацію. Нейронні мережі також здатні не тільки аналізувати вхідну інформацію, а й відтворювати її зі своєї пам'яті. Іншими словами, нейросеть це машинна інтерпретація мозку людини, в якому знаходяться мільйони нейронів, що передають інформацію у вигляді електричних імпульсів. Класифікація нейронних мереж за характером навчання ділить їх на:

Навчання з учителем передбачає, що для кожного вхідного вектора існує цільовий вектор, що представляє собою необхідний вихід. Разом вони називаються навчальною парою. Зазвичай мережа навчається на деякому числі таких навчальних пар. Пред'являється вихідний вектор, обчислюється вихід мережі і порівнюється з відповідним цільовим вектором. Далі ваги змінюються відповідно до алгоритму, які прагнуть мінімізувати помилку. Вектори навчальної множини пред'являються послідовно, обчислюються помилки і ваги підлаштовуються для кожного вектора до тих пір, поки помилка по всьому навчальному масиву не досягне прийнятного рівня. Нейронні мережі, що використовують навчання без учителя. Навчання без вчителя є набагато більш правдоподібною моделлю навчання з точки зору біологічних коренів штучних нейронних мереж. Розвинена Кохоненом і багатьма іншими, вона не потребує цільового векторі для виходів і, отже, не вимагає порівняння з зумовленими ідеальними відповідями. Навчальна множина складається лише з вхідних векторів. Навчальний алгоритм підлаштовує ваги мережі так, щоб виходили узгоджені вихідні вектори, т. Е. Щоб пред'явлення досить близьких вхідних векторів давало однакові виходи. Процес навчання, отже, виділяє статистичні властивості навчальної множини і групує подібні вектори в класи. .

Висновки

<

В Донецькому національному технічному університеті (кафедра комп'ютерної інженерії) широко розробляються створення нейромереж для різних цілей і застосувань.

З урахуванням вищесказаного, що в прикладному сенсі нейронна мережа дозволяє отримати прийнятне рішення в тих ситуаціях, коли важко знайти підходящу функцію, алгоритм від вхідних параметрів або ж така функція зажадає занадто складною реалізації та часу. Стосовно до «Розумному Дому» значно простіше і швидше навчити мережу на прикладах, ніж складати об'ємні і складні програми. Іншими словами, процес навчання (або самонавчання) мережі замінює процес традиційного програмування. Іноді це в значній мірі економить час розробника. Застосування нейронних мереж в системах «Розумний Дім»:

Можна придумати безліч різних варіантів використання нейронних мереж в системах домашньої автоматизації. У цьому розділі я буду публікувати свої приклади використання цього підходу.

Перелік посилань

  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....