PPt4Web Хостинг презентаций

Главная / Информатика / Нейронные сети
X Код для использования на сайте:

Скопируйте этот код и вставьте его на свой сайт

X

Чтобы скачать данную презентацию, порекомендуйте, пожалуйста, её своим друзьям в любой соц. сети.

После чего скачивание начнётся автоматически!

Кнопки:

Презентация на тему: Нейронные сети


Скачать эту презентацию

Презентация на тему: Нейронные сети


Скачать эту презентацию



№ слайда 1 НЕЙРОИНФОРМАТИКА Нейрон Математический нейрон Мак-Каллока – Питтса Персептрон Ро
Описание слайда:

НЕЙРОИНФОРМАТИКА Нейрон Математический нейрон Мак-Каллока – Питтса Персептрон Розенблатта Многослойный персептрон Задачи, решаемые с помощью нейросетей Невербальность и "шестое чувство" нейросетей Методы обучения нейросетей Подготовка входных параметров Рекуррентные сети

№ слайда 2 1. Нейрон Нейронные сети и нейрокомпьютеры – это одно из направлений компьютерно
Описание слайда:

1. Нейрон Нейронные сети и нейрокомпьютеры – это одно из направлений компьютерной индустрии, в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга.

№ слайда 3 Нейроны человеческого мозга Аксон Дендриты Синапсы
Описание слайда:

Нейроны человеческого мозга Аксон Дендриты Синапсы

№ слайда 4 простейший нейрон может иметь до 10 000 дендритов человеческий мозг содержит при
Описание слайда:

простейший нейрон может иметь до 10 000 дендритов человеческий мозг содержит примерно 1011 нейронов каждый нейрон связан с 103-104 другими нейронами мозг человека содержит 1014-1015 взаимосвязей

№ слайда 5 2. Математический нейрон Мак-Каллока – Питтса 1943 г. Уоррен Мак-Каллок и Вальте
Описание слайда:

2. Математический нейрон Мак-Каллока – Питтса 1943 г. Уоррен Мак-Каллок и Вальтер Питтс выдвинули гипотезу математического нейрона математический нейрон имеет несколько входов и один выход через входы (j) математический нейрон принимает входные сигналы (xj) входные сигналы умножаются на весовой коэффициент (wj) и суммируются выходной сигнал нейрона у является нелинейная функция f(S), которая называется активационной

№ слайда 6 Активационная функция а) функция единого скачка ( – порог чувствительности нейро
Описание слайда:

Активационная функция а) функция единого скачка ( – порог чувствительности нейрона); б) линейный порог (гистерезис); в) и г) сигмоид (логистическая функция). S y 0 1 S y 0 1 а) б) S y 0 1 y 1 в) г) S 0

№ слайда 7 Математические нейроны, реализующие логические функции математический нейрон изо
Описание слайда:

Математические нейроны, реализующие логические функции математический нейрон изображают кружочком возбуждающий вход – стрелкой тормозящий вход – маленьким кружочком рядом может записываться число, показывающее значение порога x1 x2 y = 2 "И" x1 x2 y = 1 "ИЛИ" x y = 0 "НЕТ"

№ слайда 8 3. Персептрон Розенблатта Идея Мак-Каллока – Питтса была реализована Фрэнком Роз
Описание слайда:

3. Персептрон Розенблатта Идея Мак-Каллока – Питтса была реализована Фрэнком Розенблаттом: 1958 г. в виде компьютерной программы 1960 г. в виде электронного устройства, моделирующего человеческий глаз

№ слайда 9
Описание слайда:

№ слайда 10 Итерационный алгоритм корректировки весовых коэффициентов Шаг 1. Подать входной
Описание слайда:

Итерационный алгоритм корректировки весовых коэффициентов Шаг 1. Подать входной образ и вычислить выход персептрона у Шаг 2, а. Если выход правильный, то перейти на шаг 1 Шаг 2, б. Если выход неправильный и равен нулю, то увеличить веса активных входов, например: wj(t + 1) = wj(t) + хj Шаг 2, в. Если выход неправильный и равен единице, то уменьшить веса активных входов, например: wj(t + 1) = wj(t) - хj Шаг 3. Перейти на шаг 1 или завершить процесс обучения.

№ слайда 11 4. Многослойный персептрон М. Минский и С. Пайперт в своей книге "Персептроны" с
Описание слайда:

4. Многослойный персептрон М. Минский и С. Пайперт в своей книге "Персептроны" строго математически доказали, что однослойные персептроны в принципе не способны решать многие простые задачи Многие понимали, что надо усложнять структуру персептронов

№ слайда 12 Двухслойный персептрон, реализующий функцию "Исключающее ИЛИ" № 1 № 2 № 3 w = 0,
Описание слайда:

Двухслойный персептрон, реализующий функцию "Исключающее ИЛИ" № 1 № 2 № 3 w = 0,5 w = 0,5 w = 1 w = 1 w = - 0,5 w = - 0,5 x1 y1 x2

№ слайда 13
Описание слайда:

№ слайда 14 Алгоритм обратного распространения ошибки Шаг 1. Инициализация синаптических вес
Описание слайда:

Алгоритм обратного распространения ошибки Шаг 1. Инициализация синаптических весов и смещений Шаг 2. Представление из обучающей выборки входного вектора Xq = (х1, х2, ..., xN)q и соответствующего ему выходного вектора Dq = (d1, d2, …, dM)q Шаг 3. Прямой проход Шаг 4. Обратный проход Шаг 5. Повторение шагов 2–4 необходимое число раз

№ слайда 15 на 5 шаге алгоритма вычисляется среднеквадратичная ошибка, усредненная по всем о
Описание слайда:

на 5 шаге алгоритма вычисляется среднеквадратичная ошибка, усредненная по всем обучающим примерам: также вычисляется максимальная разность между желаемым и фактическим выходами персептрона: итерационный процесс заканчивается после того, как погрешность , достигнет заданной величины, либо при достижении предельного числа эпох обучения.

№ слайда 16 Задачи, решаемые с помощью нейросетей если есть математическая модель какого-то
Описание слайда:

Задачи, решаемые с помощью нейросетей если есть математическая модель какого-то процесса, то изучая влияние входных параметров на выходные, можно решить задачу оптимизации моделируемого процесса если математическая модель является нестационарной, то её можно использовать для решения задач прогнозирования если математическая модель работает в реальном режиме времени, то результаты математического моделирования могут быть оперативно переданы оператору, управляющему объектом, или могут быть непосредственно введены в приборы, что позволяет решать задачи управления моделируемым объектом или процессом нейронные сети могут решать задачи распознавания и классификации образов, причем под образами понимаются зрительные изображения, символы, тексты, запахи, звуки, шумы

№ слайда 17 Невербальность и "шестое чувство" нейросетей Как и человеческий мозг, нейросеть
Описание слайда:

Невербальность и "шестое чувство" нейросетей Как и человеческий мозг, нейросеть способна выводить закономерности, делать догадки, открывать законы природы. Но, так же, как и человек, нейросеть не способна к чёткой формулировке алгоритма, позволившего сделать то или иное умозаключение. Известны случаи, когда нейросети демонстрируют феномен, называемый в жизни шестым чувством. Они с успехом извлекают знания из анализа информации, из которой, казалось бы, эти знания извлечь невозможно.

№ слайда 18 Методы обучения нейросетей детерминистские стохастические подстройка весов предс
Описание слайда:

Методы обучения нейросетей детерминистские стохастические подстройка весов представляет собой жёсткую последовательность действий подстройка весов производится на основе действий, подчиняющихся некоторому случайному процессу

№ слайда 19 основная проблема обучения персептронов состоит в том, что поверхность функции о
Описание слайда:

основная проблема обучения персептронов состоит в том, что поверхность функции ошибок обычно имеет очень сложную форму со множеством локальных минимумов. актуальным является развитие методов глобальной оптимизации, которые позволяют найти глобальный минимум многоэкстремальной целевой функции

№ слайда 20 Генетический алгоритм предложен Дж. Холландом в 1970-х годах имитирует природный
Описание слайда:

Генетический алгоритм предложен Дж. Холландом в 1970-х годах имитирует природный оптимизационный процесс, происходящий при эволюции живых организмов основные идеи теории Чарльза Дарвина: естественный отбор и генетическое наследование мутация – изменение генов

№ слайда 21 Операция скрещивания, применяемая в генетических алгоритмах a1 a2 Хромосома отца
Описание слайда:

Операция скрещивания, применяемая в генетических алгоритмах a1 a2 Хромосома отца b1 b2 Хромосома матери a1 b2 Хромосома 1-го потомка b1 a2 Хромосома 2-го потомка

№ слайда 22 Подготовка входных параметров успех создания нейронной сети во многом зависит от
Описание слайда:

Подготовка входных параметров успех создания нейронной сети во многом зависит от удачного подбора обучающих примеров следует учитывать, что не все параметры предметной области влияют на выходной вектор Y незначимые параметры не следует включать в список параметров входного вектора X на первом этапе в вектор X включают как можно больше параметров

№ слайда 23 Определение незначимых параметров анализа значений весовых коэффициентов входных
Описание слайда:

Определение незначимых параметров анализа значений весовых коэффициентов входных нейронов. Если у какого-либо входного нейрона синаптические веса значительно меньше, чем у других нейронов, то этот входной нейрон скорее всего соответствует незначимому параметру вектора X возмущения значений входных параметров и анализа реакции сети на эти возмущения. Если сеть не реагирует или слабо реагирует на изменения значения какого-либо входного параметра, то этот параметр не является значимым

№ слайда 24 Рекуррентные сети z-1 z-1 x1 x2 y1 y2 x1 x2 y1(t) y2(t) y1(t+1) y2(t+1)
Описание слайда:

Рекуррентные сети z-1 z-1 x1 x2 y1 y2 x1 x2 y1(t) y2(t) y1(t+1) y2(t+1)

№ слайда 25 z-1 z-1 z-1 z-1 z-1 x(t) y(t) N-1 P … …
Описание слайда:

z-1 z-1 z-1 z-1 z-1 x(t) y(t) N-1 P … …

Скачать эту презентацию


Презентации по предмету
Презентации из категории
Лучшее на fresher.ru