- •Вятский
- •2. Тематика работ
- •3. Теория и порядок выполнения контрольной работы
- •Введение
- •Нейронные сети
- •1.1. Элементы нейронных сетей
- •1.2. Архитектура нейронных сетей
- •1.3. Решение задач нейронными сетями
- •1.4. Вербализация нейронных сетей
- •1.5. Как выбирают американских президентов
- •1.6. Заключение
- •2.1. Общие сведения
- •2.2. Требования к аппаратуре
- •2.3. Основные возможности программы
- •2.4. Форматы файлов
- •3.1. Решение задач с помощью нейронных сетей
- •3.3. Способы реализации нейронных сетей
- •3.4. Прогнозирование на основе нейронных сетей
- •3.5. Требования к выполнению работы
- •Работа 2. Решение логических задач с использования аппарата логического вывода методом дедукции с использованием логики предикатов
- •1.1. Логика, как наука
- •1.2. Из истории логики
- •1.3. Алгебра высказываний
- •2. Логический вывод
- •2.1. Основные понятия
- •2.2. Логика предикатов
- •2.3.Метод резолюций
- •2.4. Скулемовские функции
- •2.5. Метод резолюций для исчисления высказываний
- •2.6. Метод резолюций для исчисления предикатов
- •2.7. Пример решения задачи на логический вывод методом резолюций
- •Работа 3. Реализация генетических алгоритмов на примерах решения математических задач
- •3.1. Генетические алгоритмы
- •Пример реализации га
- •Основная литература
- •Дополнительная литература
- •Интеллектуальные информационные системы
- •610000 Киров, Большевиков, 91а
3.1. Решение задач с помощью нейронных сетей
Можно выделить два класса задач, решаемых обучаемыми нейронными сетями. Это задачи предсказания и классификации.
Задачи предсказания или прогнозирования являются, по существу, задачами построения регрессионной зависимости выходных данных от входных. Нейронные сети могут эффективно строить сильно нелинейные регрессионные зависимости. Специфика здесь такова, что, поскольку решаются в основном неформализованные задачи, то пользователя интересует в первую очередь не построение понятной и теоретически обоснованной зависимости, а получение устройства-предсказателя. Прогноз такого устройства непосредственно не пойдет в дело – пользователь будет оценивать выходной сигнал нейросети на основе своих знаний и формировать собственное экспертное заключение. Исключения составляют ситуации, на основе обученной нейронной сети создают устройство управления для технической системы.
При решении задач классификации нейронная сеть строит разделяющую поверхность в признаковом пространстве, а решение о принадлежности ситуации тому или иному классу принимается самостоятельным, не зависящим от сети устройством – интерпретатором ответа сети. Наиболее простой интерпретатор возникает в задаче бинарной классификации (классификации на два класса). В этом случае достаточно одного выходного сигнала сети, а интерпретатор относит, например, ситуацию к первому классу, если выходной сигнал меньше нуля, и ко второму, если он больше или равен нулю.
3.2. Примеры нейропакетов:
Специализированные нейропакеты:
Нейропакеты для предобработки данных
Adaptive Exponential Moving Averager ( AEMA ) ( The Scwartz Associates) – выполняет предобработку данных для НС; полезен при решении данных для НС; полезен при решении задачи предсказания.
Analyser® (ATTAR Software ) – средство анализа-подготовки данных для обучения.По непроверенным данным используются нейронные алгоритмы.
CubiCalc®, CubiCalc RTC ( HyperLogic Corp.) – кроме всего прочего включает предобработку данных.
Data Decorrelator & Reducer (DDR ) ( The Schwartz Associates) – назначение скрыто в самом названии. Реализован в виде программ типа DLL внутри Excel.
DataSculptor (NeuralWare Inc.) – средство графического анализа данных.
WaveSamp (The Scwartz Associates ) – осуществляет предобработку данных для последующей обработки с помощью НС. Рекомендуется для систем предсказания.
Нейропакеты для решения задачи предсказания.
AIM StatNet ( AbTech Corp.).
BrainMaker ( California Scientific Software).
Futures Builder (Promised Land Technologies Inc.).
G2 Diagnostic Assistant (GDA) (Gensym Corp.).
Нейропакеты для решения задачи управления.
NeuCOP Solution Products (NeuralWare Inc.).
O’INCA Design Framework (Intelligent Machines Inc.).
Нейропакеты обработки сигналов и изображений.
ALISA(TheALIASCorporation).
ImegeLib ( LNK Corporation) – позволяет обрабатывать до 5 триллионов пикселов в секунду при реализации на 256 сигнальных процессоров.
SAVVY vision recognition system (Excalibur Technologies ).
SAVVY text retrieval system (Excalibur Technologies ).
SAVVY signal recognition system (Excalibur Technologies ).
Script Reader ( Aspen Intelligent AG).
Генетические нейропакеты.
AIM Problem Solver (Abtech Corpotation).
Evolver (Axcelis Inc.).
GeneHunter (Ward System Group Inc.).
The genetic object Designer ( Man Mashine Interface).
Нейронные экспертные системы.
ADAM ( Inductive Inference Inc.).
GURU ( Micro Data Base Systems Inc.).
NESTOR ( Nestor Inc.).
Neural$ ( Neural Trading Co.).
NEXPERT Object Neuron Data Inc.).
Smart Elements (Neuron Data Inc.).
Пакеты нечеткой логики.
Flops for fuzzy logic ( Kemp Carraway Heart Institute).
FuziCalc (FuziWare).
Fuzzle (MODICO).
Knowledge Builder (Fuzzy Systems Engeneering).
Judgement Maker (Fuzzy Systems Engeneering).
Универсальные нейропакеты.
NeuralWorks Explorer (NeuralWare Inc.) – реализует все 28 стандартных нейронных парадигм.
DSN-2.1 FLT Point STD (Cogito Software Inc.) – реализует семь различных функций активации.
NeuralWorks Professional 2 / Plus v.5.0 (NeuralWare) – снабжен средствами создания новых нейронных парадигм.
O’INCA Design Framework (Intelligent Machines Inc.).
NeuroShell (Ward Systems Group Inc.) – использует большое множество алгоритмов обучения НС.