Искусственные нейронные сети

Начать. Это бесплатно
или Регистрация c помощью Вашего email-адреса
Rocket clouds
Искусственные нейронные сети создатель Mind Map: Искусственные нейронные сети

1. однослойный или простейший

2. Guidelines

2.1. Anything goes!

2.2. Quantity is Quality

2.3. Set a Time Limit

3. Основные виды НС

3.1. Полносвязная сеть

3.2. Слабосвязная сеть

3.3. Многослойная сеть

3.4. Особые виды сетей

3.4.1. сеть Кохонена

3.4.2. сеть Хопфилда (Hopfield network)

3.4.2.1. Режимы работы сети Хопфилда

3.4.2.1.1. Синхронный режим работы сети

3.4.2.1.2. Асинхронный режим работы сети

3.4.3. сеть Хэмминга

3.4.4. когнитрон

3.4.5. неокогнитрон

3.4.6. персептрон

3.4.6.1. первая нейросеть

3.4.6.2. Фрэнк Розенблатт 1957г

3.4.6.3. «Марк-1» — первым в мире нейрокомпьютер

3.4.6.4. структура простейшего

3.4.6.4.1. s-элементы (слой сенсоров или рецепторов)

3.4.6.4.2. R-элементы (реагирующий или действующий слой)

3.4.6.4.3. A-элементы (ассоциотивный слой)

3.4.6.5. Классификация

3.4.6.5.1. многослойный

4. Входные данные

5. Выходные данные

6. Области применения

6.1. Прогнозирование

6.2. Принятие решений

6.3. Распознавание образов

6.4. Оптимизация

6.5. Анализ данных

7. Биологические НС

7.1. структура нейрона

7.1.1. тело клетки

7.1.2. аксон

7.1.3. дендрид

7.1.3.1. синапс

8. Преимущество НС

8.1. Решение задач при неизвестных закономерностях

8.2. Устойчивость к шумам во входных данных

8.3. Адаптирование к изменениям окружающей среды

8.4. Потенциальное сверхвысокое быстродействие

8.5. Отказоустойчивость при аппаратной реализации нейронной сети

8.6. Аналогия с нейробиологией

9. история

9.1. Уоррена Мак- Каллок и Вальтер Питтс 1943г

9.2. 1957 Ф. Розенблатт

9.3. 1974г Пол Дж. Вербос

9.4. 1975г Фукусима предлагает когнитрон

9.5. 1982 г. Дж. Хопфилд

10. методы обучения НС

10.1. м. градиентного спуска

10.1.1. метод наискорейшего спуска

10.1.2. модифицированный ParTan

10.1.3. квазиньютоновский метод

10.1.4. метод обратного распространения ошибки

10.2. эвристический м.

10.2.1. алгоритм quickprop

10.2.2. алгоритм rprop

10.3. неградиентный м.

10.4. м. Хэбба

10.5. Правило коррекции по ошибке

10.6. обучение методом соревнования

10.7. генетический алгоритм

10.7.1. этапы работы Генетических алгоритмов

10.7.1.1. Кодирование и декодирование параметров задачи

10.7.1.2. Создание начальной популяции хромосом

10.7.1.3. Оценка приспособленности хромосом в популяции

10.7.1.4. Селекция хромосом

10.7.1.5. Применение генетических операторов

10.7.1.6. Формирование новой популяции

10.8. обучение с учителем

10.9. обучение без учителя

11. Этапы решения задач

11.1. 1. Сбор данных для обучения

11.1.1. критерии

11.1.1.1. Репрезентативность

11.1.1.2. Непротиворечивость

11.2. 2. Подготовка и нормализация данных

11.2.1. Этапы

11.2.1.1. Фактор размерности данных

11.2.1.2. Работа с выбросами

11.2.1.3. Обучающая выборка

11.2.1.4. Диапазон нейронной сети

11.2.1.5. Нормализация данных

11.3. 3. Выбор топологии сети

11.3.1. Типы

11.3.1.1. feedback (с обратным распространением/связью)

11.3.1.2. feed-forward(с прямым распространением/связью)

11.3.1.3. Сеть Хопфилда

11.3.1.4. Сеть BAM (Bidirectional associative memory)

11.4. 4. Экспериментальный подбор характеристик сети

11.5. 5. Экспериментальный подбор параметров обучения

11.6. 6. Собственно обучение

11.7. 7. Проверка адекватности обучения

11.8. 8. Корректировка параметров, окончательное обучение

12. классификация

12.1. по типу входной информации

12.1.1. Аналоговые нейронные сети

12.1.2. Двоичные нейронные сети

12.1.3. Образные нейронные сети

12.2. по характеру обучения

12.2.1. Обучение с учителем

12.2.2. Обучение без учителя

12.2.3. Обучение с подкреплением

12.3. по характеру настройки синапсов

12.3.1. Сети с фиксированными связями

12.3.2. Сети с динамическими связями

12.4. по времени передачи сигнала

12.5. по характеру связей

12.5.1. Сети прямого распространения (Feedforward)

12.5.2. Рекуррентные нейронные сети

12.5.3. Радиально-базисные функции

12.5.4. Самоорганизующиеся карты (Self-Organizing Maps, SOM)

12.5.4.1. Задачи, решаемые при помощи карт Кохонена

12.5.4.1.1. моделирование

12.5.4.1.2. прогнозирование

12.5.4.1.3. поиск закономерностей в больших массивах данных

12.5.4.1.4. выявление наборов независимых признаков

12.5.4.1.5. сжатие информации

12.5.4.1.6. разведочный анализ данных

12.5.4.1.7. обнаружение новых явлений

12.5.4.2. Отображение карт Кохонена

12.5.4.2.1. в двухмерном виде

12.5.4.2.2. в трехмерном виде

12.5.4.3. Результат работы алгоритма

12.5.4.3.1. карта входов нейронов

12.5.4.3.2. карта выходов нейронов

12.5.4.3.3. специальные карты

12.6. Сети без обратных связей

12.6.1. Сети с обратным распространением ошибки

12.6.2. сложные модели

12.6.2.1. когнитрон

12.6.2.2. неокогнитрон

12.7. Сети с обратными связями

12.7.1. Сети Хопфилда (задачи ассоциативной памяти)

12.7.2. Сети Кохонена (задачи кластерного анализа)

12.8. Сети прямого распространения

12.8.1. Персептроны

12.8.2. Сеть Back Propagation.

12.8.3. Сеть встречного распространения

12.8.4. Карта Кохонена

12.9. Рекуррентные сети

12.9.1. Сеть Хопфилда

12.9.2. Сеть Элмана

13. Парадигмы Обучения

13.1. Контролируемое обучение

13.2. Неконтролируемое обучение

13.3. Обучение с подкреплением

14. Нейроуправление

14.1. методы

14.1.1. Обобщенное инверсное нейроуправление

14.1.2. Специализированное инверсное нейроуправление

14.1.3. Метод обратного пропуска ошибки через прямой нейроэмулятор

14.1.4. Метод нейроуправления с эталонной моделью

14.1.5. Метод нейросетевой фильтрации внешних возмущений

14.1.6. Прогнозирующее модельное нейроуправление

14.1.7. Адаптивные критики

14.1.8. Гибридное нейро-ПИД управление

14.1.9. Гибридное параллельное нейроуправление

15. Гибридная интеллектуальная система

15.1. состоит из

15.1.1. аналитических моделей

15.1.2. экспертных систем

15.1.3. искусственных нейронных сетей

15.1.4. нечетких систем

15.1.5. генетических алгоритмов

15.1.6. имитационных статистических моделей

15.2. Классификация

15.2.1. автономные

15.2.2. трансформационные

15.2.3. слабосвязанные

15.2.4. сильносвязанные

15.2.5. полностью интегрированные модели

15.3. ЭКСПЕРТНО-НЕЙРОСЕТЕВАЯ СИСТЕМА

15.3.1. структура

15.3.1.1. Идентификатор

15.3.1.1.1. модули

15.3.1.2. База знаний ЭР

15.3.1.2.1. составные части

15.3.1.3. нейросетевая база знаний

15.3.1.4. нейросетевой идентификатор

15.3.1.5. регулятор

15.3.1.5.1. алгоритмы синтеза параметров регулятора

15.3.1.6. объект управления

16. определение

16.1. математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма