Модель биологического нейрона
Дендриты – вход нейрона (прием) входящих импульсов) Сома – тело нейрона (отвечают за обработку входящих импульсов) Аксон – выход нейрона (через него передается обработанный импульс) Синапсы (м/у дендритами и аксонами других нейронов) – регулирование (вверх, вниз) входящих импульсов; расставляют приоритеты входящих сигналов Вес синапса – сила, способность регулировать входящих импульс. Если суммарный импульс в соме превышает ее пороговое значение, то нейрон активизируется. Математическая модель искусственного нейрона.
х – суммарный импульс х1, х2, х3 – исходные данные, поступившие в нейронную сеть w1, w2, w3 – коэффициенты, играют роль весов синапса f(x) - функция активации (передаточная функция) Матем. Процесс: 1 а – пороговое значение х = x1*w1 + x2*w2 + x3*w3 2. Если х>a то нейрон расчитывает функции активации и передают импульс дальше Обучение нейросети. Для того чтобы нейросеть начала работать (решать задачи), необходимо выполнить два этапа: выбрать архитектуру нейросети; обучить нейросеть (подобрать веса). Обучение нейросети осуществляется по принципу обратной связи. Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту. Для обучения подбирается ряд успешных примеров решения поставленной задачи. Примеры включают исходные данные и ответы, которые мы бы хотели получать от нейросети. Количество необходимых примеров зависит от сложности задачи. Одно из простейших эвристических правил гласит, что число примеров должно быть в десять раз больше числа связей в сети. Для большинства реальных задач бывает достаточно нескольких сотен или тысяч примеров. Генетические алгоритмы – понятие, причины возникновения. ГА –алгоритмы решения задач оптимизации имитирующие процессы биологической эволюции. Методы решения задач оптимизации: Переборный – перебираем все допустимые или возможные варианты решения и выбираем наилучший, с точки зрения критериев. Градиентный – задается начальная точка, затем осуществляется поиск направления, в котором нужно двигаться, чтобы найти лучшее решение (надстройка «поиск решения»). Модель биологической эволюции, кроссинговер. Эволюция –процесс оптимизации живых организмов. Оптимизация –приспособление организмов к условиям внешней среды. Основные механизмы: 1.естественный отбор –наиболее приспособленные имеют больше возможности на выживание, размножение. Сам по себе не обеспечивает эволюцию;2.генетическое наследование -обеспечивает большую приспособленность потомка, чем естественный отбор. Кроссинговер –процесс обмена участками ДНК, обеспечивает разнообразие внутри вида. Кроссинговер (от англ. crossingover), перекрест, взаимный обмен участками парных хромосом, происходящий в результате разрыва и соединения в новом порядке их нитей; приводит к перераспределению (рекомбинации) сцепленных генов. Т. о., Кроссинговер — важнейший механизм, обеспечивающий комбинаторную изменчивость, а следовательно, — один из главных факторов эволюции. 13.Схема генетических алгоритмов: 1. Создание начальной популяции
2. Выбор родителей
3. Размножение
4. Мутация потомства
5. Оценка приспособленности
6. Отбор (редукция)
1. Анализ (цель достигнута?)
Да Нет Конец Пример поиска глобального экстремума функции с помощью ген. алгоритма. (ЛЕКЦИЯ) Агенты, свойства. Агенты –это компьютерные программы, которые самостоятельно решают поставленные пользователем задачи. Агенты (с лат. – вести, действовать.) Свойства агентов: 1)Реактивность (реакции) - агенты воспринимают и реагируют на окружающую среду. Восприниматели: изображение через видеокарту, через клавиатуру, общая память. 2)Автономность – для создания самозапуска не нужно вмешательство пользователя. 3)Целенаправленность - агент имеет глобальную цель для достижения. Для достижения сущ-щей локальной цели. 4)Непрерывность функционирования - агент нах-ся в исполняемом процессе 5)Коммуникативность - агент может общаться с другими агентами, людьми; общение, запрос. 6)Обучаемость (адаптивность) - агенты обучаются на основании предыдущих действий и результатов, полученных действий. Результатами яв-ся нейронные сети 7)Мобильность - агент перемещается по сети 8)Гибкость - поведение агента яв-ся непростым выбирает одно из альтернативных вариантов поведения.
Популярное: Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... Организация как механизм и форма жизни коллектива: Организация не сможет достичь поставленных целей без соответствующей внутренней... Как распознать напряжение: Говоря о мышечном напряжении, мы в первую очередь имеем в виду мускулы, прикрепленные к костям ... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (468)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |