Рейтинг@Mail.ru
Rambler's Top100




Не нашли нужную работу? Закажи реферат, курсовую, диплом на заказ

реферат на тему: Теория к проекту "Искусственный интеллект"

скачать реферат

Вступление Я занялся разработкой программ комплекса “Искусственный интеллект” потому чтоИИ (Искусственный интеллект) это одна из самых перспективных и быстроразвивающихся областей науки. И в результате работы был создан программный комплекс, в составе которого: 1. Компонент нейронной сети 2. Программа распознавания графических образов на основе компонента НС (Нейронная сеть), способная распознавать графические файлы: · Образцы росписей · Образцы иконок программ · Образцы цифр шрифта AWARD BIOS 3. Компонент экспертной системы 4. Демонстрационная программа к компоненту ЭС (Экспертной системы) 5. Подробная справочная система Проведен ряд экспериментов с нейронной сетью, данные систематизированы. Т.О. программный комплекс содержит возможности построения программ на основе компонентов НС и ЭС, однако чтобы не разбрасываться я предпочел остановиться на Нейронной сети в силу ее наглядности, достаточной сложности и реальной возможности применения. Я намеренно уделил так мало внимания экспертным системам, по моему мнению НС являются гораздо более перспективным направлением в области программирования ИИ. Область применения нейронных сетей В литературе встречается значительное число признаков, которыми должна обладать задача, чтобы применение НС было оправдано и НС могла бы ее решить: q отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров; q проблема характеризуется большими объемами входной информации; q данные неполны или избыточны, зашумлены, частично противоречивы. Таким образом, НС хорошо подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования. Ниже приведен перечень возможных промышленных применений нейронных сетей, на базе которых либо уже созданы коммерческие продукты, либо реализованы демонстрационные прототипы.

Банки и страховые компании: Ж автоматическое считывание чеков и финансовых документов; Ж проверка достоверности подписей; Ж прогнозирование изменений экономических показателей.

Административное обслуживание: Ж автоматическое считывание документов; Ж автоматическое распознавание штриховых кодов.

Нефтяная и химическая промышленность: Ж анализ геологической информации; Ж идентификация неисправностей оборудования; Ж разведка залежей минералов по данным аэрофотосъемок; Ж анализ составов примесей; Ж управление процессами.

Военная промышленность и аэронавтика: Ж обработка звуковых сигналов (разделение, идентификация, локализация, устранение шума, интерпретация); Ж обработка радарных сигналов (распознавание целей, идентификация и локализация источников); Ж обработка инфракрасных сигналов (локализация); Ж автоматическое пилотирование.

Промышленное производство: Ж управление манипуляторами; Ж управление процессами; Ж обнаружение неисправностей; Ж адаптивная робототехника;

Биомедицинская промышленность: Ж анализ рентгенограмм; Ж обнаружение отклонений в ЭКГ. Кроме того, следует добавить, что в последние несколько лет вся информация о нейропрограммах исчезла из средств массовой информации это говорит об интересах военных в этой области и следовательно перспективности данных проектов. Нейронные сети - основные понятия и определения В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами: · простой обрабатывающий элемент - нейрон; · очень большое число нейронов участвует в обработке информации; ·
Не нашли нужную работу? Закажи реферат, курсовую, диплом на заказ




один нейрон связан с большим числом других нейронов (глобальные связи); · изменяющиеся по весу связи между нейронами; · массированная параллельность обработки информации.

Прототипом для создания нейрона послужил биологический нейрон головного мозга. Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения: пороговая, линейная и сигмоидальная. Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, мы должны выбрать, каким образом следует соединять нейроны друг с другом, и соответствующим образом подобрать значения весовых параметров на этих связях. Может ли влиять один элемент на другой, зависит от установленных соединений. Вес соединения определяет силу влияния. Модели нейронных сетей Модель Маккалоха Нейроны имеют состояния 0, 1 и пороговую логику перехода из состояния в состояние. Пороговый вид функции не предоставляет нейронной сети достаточную гибкость при обучении и настройке на заданную задачу. Модель Розенблата Розенблат ввел в модель Маккаллока и Питтса способность связей к модификации, что сделало ее обучаемой. Эта модель была названа персептроном. Первоначально персептрон представлял собой однослойную структуру с жесткой пороговой функцией процессорного элемента и бинарными или многозначными входами. Также слабо формализован метод обучения персептрона. Модель Хопфилда Привлекательность подхода Хопфилда состоит в том, что нейронная сеть для конкретной задачи может быть запрограммирована без обучающих итераций. Веса связей вычисляются на основании вида функции энергии, сконструированной для этой задачи. Модель сети с обратным распространением Способом обратного распространения (back propogation) называется способ обучения многослойных НС. В таких НС связи между собой имеют только соседние слои, при этом каждый нейрон предыдущего слоя связан со всеми нейронами последующего слоя (рис. на стр. I) . Нейроны обычно имеют сигмоидальную функцию возбуждения. Первый слой нейронов называется входным и содержит число нейронов соответствующее распознаваемому образу. Последний слой нейронов называется выходным и содержит столько нейронов, сколько классов образов распознается. Между входным и выходным слоями располагается один или более скрытых (теневых) слоев. Определение числа скрытых слоев и числа нейронов в каждом слое для конкретной задачи является неформальной задачей. Принцип обучения такой нейронной сети базируется на вычислении отклонений значений сигналов на выходных процессорных элементах от эталонных и обратном "прогоне" этих отклонений до породивших их элементов с целью коррекции ошибки. Еще в 1974 годуПоль Дж. Вербос изобрел значительно более эффективную процедуру для вычисления величины, называемой производной ошибки по весу, когда работал над своей докторской диссертацией в Гарвардском университете. Процедура, известная теперь как алгоритм обратного распространения, стала одним из наиболее важных инструментов в обучении нейронных сетей. Однако этому алгоритму свойственны и недостатки, главный из которых - отсутствие сколько-нибудь приемлемых оценок времени обучения. Понимание, что сеть в конце концов обучится, мало утешает, если на это могут уйти годы. Тем не менее, алгоритм обратного распространения имеет широчайшее применение.

скачать реферат
1 2 3

Не нашли нужную работу? Закажи реферат, курсовую, диплом на заказ

Внимание! Студенческий отдых и мегатусовка после сессии!


Обратная связь.

IsraLux отзывы Израиль отзывы