Neironi / Research Papers / ID: 886789

Table of contents

Nr.	Chapter	Page.
	Ievads	4
1.	Neironu tīklu apmācības teorija	6
1.1.	Neironu tīklu struktūra	6
1.1.1.	Bioloģiskie un mākslīgie neironu tīkli	6
1.1.2.	Bioloģiskie neironu tīkli	8
1.1.3.	Tehniskā neirona modelis	10
1.1.4.	Neironu tīklu veidi	11
1.2.	Mākslīgo neironu tīklu apmācības algoritmi	16
1.2.1.	Neironu tīklu apmācības uzdevuma formulējums un iespējamie risinājumu ceļi	16
1.2.2.	Neironu tīkls apmācības laikā	19
1.2.3.	Apmācības paradigmas	20
1.2.4.	Atgriezeniskās izplatīšanas algoritms	25
1.3.	Neironu tīklu pamatparadigmas	32
1.3.1.	Pretimnākošās izplatīšanas tīkls	32
1.3.2.	Maksimuma meklēšanas tīkls ar tiešiem sakariem	37
1.3.3.	Gausa klasifikators	40
1.3.4.	Ieejas zvaigzne	42
1.3.5.	Izejas zvaigzne	44
2.	Neironu tīklu darba matemātiskā modelēšana	46
2.1.	Neironu tīkla darbības matemātiskā modelēšanas uzdevuma izvirzīšana	46
2.2.	Modelējošās programmas funkcijas	49
2.2.1.	Funkciju vispārējs apraksts	49
2.2.2.	Lietotāja interfeiss	52
3.	Neironu tīklu izmantošana	60
3.1.	Aritmētisko un loģisko operāciju izpildīšana izmantojot neironu tīklu	60
3.1.1.	Loģiskā VAI realizācija neironu tīklā	60
3.1.2.	Loģiskā UN realizācija neironu tīklā	61
3.1.3.	Izslēdzošā VAI izpilde neironu tīklā	63
3.1.4.	Skaitļu saskaitīšanas operācijas realizācija binārajā skaitīšanas sistēmā neironu tīklā	64
3.1.5.	Aritmētiskās saskaitīšanas operācijas realizācija neironu tīklā	66
3.2.	Pasta indeksa ciparu atpazīšana	69
3.3.	Trigonometrisko funkciju vērtību aprēķināšana izmantojot neironu tīklu	71
3.4.	Neironu tīkla apmācīšana prognozēt trigonometrisko funkciju sekojošās vērtības pēc uzdotajām iepriekšējām vērtībām	73
3.5.	Trenda pagriešanās atpazīšanas uzdevums	74
	Nobeigums	76
	Izmantotās literatūras saraksts	78
	Pielikums	80

Extract

Neironu tīkli - tie ir skaitļošanas modeļi, kuri balstās principiem, līdzīgiem smadzeņu uzbūves principiem, un kuri paredzēti smadzeņu risināmo problēmu atrisināšanai. Zīdītājiem bioloģiskie neironu tīkli ir formēti no neironiem, kuri paši par sevi ir samērā sarežģīti bioloģiski objekti. Liels skaits apvienotu neironu pamato dzīvnieku sarežģīto uzvedību. Šajā darbā apskatītie mākslīgie neironu tīkli ir daudz vienkāršāki un labāk izpētīti. Bet tomēr, tie ir spējīgi atrisināt dažus pietiekami sarežģītus uzdevumus - atpazīt audio un vizuālos tēlus, aproksimēt funkcijas, veikt dažu veidu prognozes un vadīt.
Pētījumi mākslīgo neironu tīklu sfērā pārdzīvojuši trīs aktivācijas periodus. Pirmo uzplaukumu 40.gados izraisīja MakKaloka un Pitsa pionieru darbs. Otrais bija 60.gados, balstoties uz Rozenblata perceptrona tuvinājuma teorēmu un Minska ‑ Peiperta darbu, kurš norādīja vienkāršākā percetrona ierobežotās iespējas. Minska ‑ Peiperta rezultāti noslāpēja tā pētnieku vairuma entuziasmu, kuri strādāja skaitļošanas zinātņu jomā. Radies klusums ilga gandrīz 20 gadus. No 80.gadu sākuma mākslīgie neironu tīkli no jauna piesaistīja pētnieku uzmanību. Verboss piedāvāja atgriezeniskās izplatības algoritmu daudzslāņu perceptrona apmācībai, kurš kļuva pazīstams 1986.gadā.
Uz šodienu eksistē divas pieejas realizējot mākslīgos neironu tīklus: aparātrealizācija un programrealizācija. Daudzas pazīstamas firmas ražo elektroniskos komponentus (mikroshēmas un veselas plates), kuras aparātlīmenī realizē mākslīgā neironu tīkla modeli. Pie otras pieejas, neironu tīklu modelē speciāla programma, kura darbojas uz parasta (iespējams, personālā) datora. Aparātnodrošinājuma un programnodrošinājuma tirgos eksistē pietiekami liels skaits neironu tīklu kā aparāt, tā arī programmemulatoru, bet tie visi izceļas ar savu augsto cenu, kas padara tos nepieejamus vairumam lietotāju.
Mūsdienās mākslīgie neironu tīkli tiek aktīvi izmantoti visās cilvēka darbības sfērās: militārajā, politikā, ekonomikā u.c.
Dotā darba mērķis ir apskatīt neironu tīklu funkcionēšanas principus, apskatīt to veidus, vairāku neironu tīklu modeļu izveidošana un apmācība, lai noskaidrotu to praktisko derīgumu atrisinot dažādus uzdevumus.
Galvenais dotā darba mērķis bija neironu tīkla izveidošana, kurš ir spējīgs funkcionēt uz spēcīga datora un tā apmācība atpazīt fjučersu tirgus trenda pagriešanos. Savlaicīga trenda pagriešanās atpazīšana ļauj izvēlēties visveiksmīgāko biržas spēles stratēģiju un līdz ar to rast praktisku pielietojumu ekonomikas sfērā.
Ilgstošais evolūcijas periods cilvēka smadzenēm ir devis daudz īpašību, kuru nav nedz mašīnām ar fon Neimana arhitektūru, nedz arī mūsdienīgajiem paralēlajiem datoriem. Tās būtu:
masveida paralēlisms;
sadalīta informācijas un skaitļošanas attēlošana;
spēja mācīties un spēja vispārināt;
adaptivitāte;
spēja kontekstuāli apstrādāt informāciju;
tolerance pret kļūdām;
Var pieņemt, ka ierīcēm, kas uzbūvētas pēc tādiem pašiem principiem kā bioloģiskie neironi, piemitīs uzskaitītās īpašības.…

Author's comment

Research Papers

Technologies

Computers, Consumer Electronics