- •Курсовая работа
- •Решение Диофантова уравнения с помощью генетического алгоритма
- •Аннотация
- •Содержание
- •Введение
- •1. Идентификация предметной области
- •1.1 Общий вид генетического алгоритма
- •1.2 Генетические операторы
- •1.3 Достоинства и недостатки стандартных и генетических методов
- •1.4 Актуальные проблемы и модификации генетического алгоритма
- •2. Решение Диофантовых уравнений с помощью генетического алгоритма
- •2.1 Диофантовы уравнения
- •2.1 Обоснование выбора программных средств реализации
- •2.2 Формирование обучающей выборки
- •2.3 Выбор структуры нейронной сети
- •2.4 Прогнозирование ввп на основе многослойной нейронной сети
- •Заключение
- •Список использованных источников
- •Приложение а Блок-схема алгоритма обратного распространения ошибки
Заключение
В результате выполнения курсовой работы были изучены технологии построения и функционирования искусственных нейронных сетей, рассмотрена их классификация, проанализированы области применения нейросетей, а также отражены особенности решения задач прогнозирования на основе технологий искусственного интеллекта.
В практической части курсовой работы рассмотрены вопросы проектирования и реализации нейросети для прогнозирования внутреннего валового продукта. Дано обоснование выбора программных средств реализации, обоснована структура сети, подробно на примере рассмотрена технология прогнозирования с использованием пакета NeuroPro.
На основе выполненной исследовательской и аналитической работы можно сделать вывод о том, что основная задача аналитика, использующего нейронные сети для решения какой-либо проблемы, - создать наиболее эффективную архитектуру нейронной сети, то есть правильно выбрать вид нейронной сети, алгоритм её обучения, количество нейронов и виды связей между ними. Эта работа не имеет формализованных процедур, она требует глубокого понимания различных видов архитектур нейронных сетей, особенностей их функционирования и может занять достаточно много времени.
Для неформализованных задач нейросетевые модели могут на порядок превосходить традиционные методы решения. Но применение нейронных сетей целесообразно, если:
накоплены достаточные объемы данных о предыдущем поведении системы;
не существует традиционных методов или алгоритмов, которые удовлетворительно решают проблему;
данные частично искажены, частично противоречивы или не полны и поэтому традиционные методы выдают неудовлетворительный результат.
Нейронные сети наилучшим образом проявляют себя там, где имеется большое количество входных данных, между которыми существуют неявные взаимосвязи и закономерности. В этом случае нейросети помогут автоматически учесть различные нелинейные зависимости, скрытые в данных. Это особенно важно в системах поддержки принятия решений и системах прогнозирования.
Список использованных источников
Абдикеев Н.М. Проектирование интеллектуальных систем в экономике: Учебник / Под ред. Н.П. Тихомирова. – М.: Издательство «Экзамен», 2004. – 528 с.
Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия - Телеком, 2002. - 382 с., ил.
СТО 02069024.101-2010. Работы студенческие. Общие требования и правила оформления. – Оренбург: Изд-во ГОУ ОГУ, 2010. – 98 с.
Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. Учебное пособие. – М.: СИНТЕГ, 2002, 316 с.
Ф.Уоссермен. Нейрокомпьютерная техника: теория и практика.
www.neuroschool.narod.ru – статьи и учебники по теории и практике искусственных нейронных сетей
www.neuroproject.ru – сайт компании «НейроПроект»
www.neuropro.ru – сайт В. Царегородцева, посвященный созданию интеллектуальных компьютерных программ для решения задач прогнозирования.
Приложение а Блок-схема алгоритма обратного распространения ошибки