Исследование методов синтеза нейросетевых структур на основе генетических алгоритмов

Реферат 6
Аbstract 7
Введение 9
Глава 1 Обзор информации о нейросетевых структурах и генетических алгоритмах. 11
1.1 Нейроны и искусственные нейронные сети 11
1.2 История нейронных сетей 16
1.3 Классификация нейронных сетей 18
1.4 Генетические алгоритмы 19
Глава 2 Генетические алгоритмы для решения задач оптимизации в системе Мatlab 27
2.1 Постановка задачи 27
2.2 Решение задач оптимизации с помощью генетических алгоритмов 27
2.3 Основные понятия генетических алгоритмов 30
2.4 Этапы нахождения оптимального решения задачи с помощью генетического алгоритма 31
2.5 Генетические алгоритмы в редакторе Genetic Algorithm утилиты Optimization Toolbox системы Matlab 32
2.6 Процесс нахождения минимума и максимума функции двух переменных 41
Глава 3. Экономическая часть 50
3.1 Расчет затрат НИР 50
3.2. Расчет годовых доходов 57
3.3 Расчет срока окупаемости 58
Глава 4. Охрана труда при работе за персональным компьютером 59
4.1 Виды опасных и вредных факторов. 59
4.2 Требования электробезопасности. 59
4.3 Требования по обеспечению пожарной безопасности. 62
4.4 Правила техники безопасности и гигиены при работе на ПК 62
Заключение 71
Список литературы 72

Весь текст будет доступен после покупки

В начале XX века появились первые попытки разработки искусственных нейросетей (ИНС) для создания модели работы мозга человека. Но широкое применение они получили только во второй половине столетия, когда мощности вычислительных систем стали достаточными для проведения такого сложного моделирования. [1].
Главная особенность искусственных нейросетей — это параллельная обработка информации всеми звеньями, эта особенность говорит об их огромном потенциале и широких возможностях. При огромном числе межнейронных связей благодаря этому можно сильно ускорить процесс обработки информации. Помимо этого, при большом количестве межнейронных соединений сеть становится устойчива к ошибкам, которые возникают на некоторых линиях. Деятельность сети не претерпевает существенных возмущений благодаря тому, что исправные линии берут на себя функции поврежденных связей.
Еще одна важная особенность – способность к обучению и обобщению полученных знаний. Искусственная нейронная сеть имеет некоторые признаки искусственного интеллекта. Искусственную нейронную сеть можно натренировать на ограниченном множестве данных и она сможет обобщать полученную информацию и на её основе показывать хорошие результаты на данных, которые не использовались в процессе обучения.
Кроме того, сеть характеризует то, что она может реализовываться с применением технологии сверхбольшой степени интеграции. Повторяемость элементов сети очень большая, при том, что их количество невелико. Благодаря этому свойству, в перспективе возможно создать универсальный процессор однородной структурой, который будет способен перерабатывать разнообразную информацию.
Благодаря перечисленным свойствам нейросетей, а также повсеместного применения вычислительной техники и развития устройств со сверх большой степенью интеграции к нейросетям в последнее время возрос интерес, появилось большое количество исследований, которые приносят хорошие результаты. Но, всё еще, если сравнивать нейронную сеть с человеческим мозгом, она представляет собой очень упрощенную абстракцию. В настоящее время искусственные сети, помимо преимуществ обладают и недостатками. Главный недостаток – это трудность создания адекватной поставленной задаче нейросетевой модели. Из-за этого существует проблема синтеза оптимальной структуры искусственной нейросети для получения наилучших показателей при решении конкретной задачи. [1]
В данной работе будет проведет обзор теории искусственных нейронных сетей и генетических алгоритмов. А в практической части будет рассмотрен метод синтеза нейросетевых структур на основе генетических алгоритмов в среде Matlab. Будет рассмотрено, как генетические алгоритмы применяются для решения задач оптимизации в системе Мatlab.
 

Весь текст будет доступен после покупки

Глава 1 Обзор информации о нейросетевых структурах и генетических алгоритмах.
1.1 Нейроны и искусственные нейронные сети

Рисунок 1.1 Нейрон
Благодаря развитию вычислительной техники, в настоящее время нейронную сеть можно смоделировать на любом персональном компьютере.
Нейронная сеть — это совокупность нейронов, которые соединены между собой определенным образом.[2] На рисунке 1.2 схематично изображен один нейрон.

Рисунок 1.2 Схематичное изображение нейрона
Нейрон – это элемент, вычисляющий выходной элемент из совокупности входных сигналов, руководствуясь определенным правилом. Это значит, что основная последовательность действий одного нейрона следующая:
1. Прием сигналов от предыдущих элементов сети
2. Комбинирование входных сигналов
3. Вычисление выходного сигнала
4. Передача выходного сигнала следующим элементам нейронной сети [2]

Весь текст будет доступен после покупки

1. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И.Д. Рудинского. М.: Горячая линия – Телеком, 2004. 452 с.: ил.
2. Лукичев Д.В. Выбор оптимальной структуры нейросетевого предсказывающего фильтра. // Изв. вузов. Приборостроение. 2004. Т. 47. № 11. С. 38–42.
3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. / 2-е изд., стереотип. М.: Горячая линия – Телеком, 2002. 382 с.: ил.
4. Галушкин, А.И. Нейронные сети: основы теории. / А.И. Галушкин. - М.: РиС, 2014. - 496 c.
5. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
6. Нейроматематика. Кн. 6: Учебное пособие для вузов / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2002. 425 с.: ил.
7. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.: ил.
8. Барский, А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином, 2013. - 352 c.
9. Галушкин, А.И. Нейронные сети: история развития теории: Учебное пособие для вузов. / А.И. Галушкин, Я.З. Цыпкин. - М.: Альянс, 2015. - 840 c.
10. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2015. - 224 c.
11. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: РиС, 2013.- 384 c.
12. Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: КД Либроком, 2016. - 232 c.
13. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М.: БИНОМ. ЛЗ, ИНТУИТ.РУ, 2012. - 316 c.
14. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
15. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. — М.: Мир, 1992.
16. http://www.asimovinstitute.org/neural-network-zoo/ http://online.cambridgecoding.com/notebooks/cca_admin/convolutional-
17. neural-networks-with-keras 12.https://habr.com/company/ods/blog/325432/

Весь текст будет доступен после покупки