- •Теоретичні відомості
- •Визначення складу знань та їх розподіл
- •Побудова моделі предметної області
- •Методи побудови системи понять предметної області
- •Методи встановлення взаємозв'язків між поняттями предметної області:
- •Методи встановлення семантичних відношень між поняттями предметної області
- •Контрольні питання
- •Варіанти завдань
- •Побудувати модель визначеної предметної області, використовуючи методи побудови системи понять та встановлення семантичних відношень між поняттями:
- •несправності комп’ютера;
- •Тема: Експертні системи. Побудова баз знань ЕС.
- •Структура експертних систем
- •атрибутивні зв’язки (має властивість, має значення).
- •Семантичні мережі можуть мати складну та громіздку структуру.
- •Рівні представлення і рівні детальності
- •Організація знань у базі знань
- •Контрольні питання
- •Варіанти завдань
- •Теоретичні відомості
- •Контрольні питання
- •Варіанти завдань
- •Теоретичні відомості
- •Рис. 2. Методика розробки ЕС
- •Прототипи і життєвий цикл експертної системи
- •Прикладами областей застосування, що потребують гнучкості з боку створення та поповнення бази знань, є: планування виробництва, проектування і діагностика в області електроніки, обчислювальної техніки та машинобудування.
- •Контрольні питання
- •Варіанти завдань
- •Створити та протестувати прототип ЕС відповідно варіанту. Вказати сильні та слабкі сторони створеного прототипу, шляхи його вдосконалення.
- •Вимоги до експертної системи і звіту
- •Тема: Нейронні мережі. Персептрон. Побудова та дослідження персептрона.
- •Теоретичні відомості
- •Рис. 3. Штучний нейрон
- •Навчання персептрона
- •Розглянемо алгоритм навчання з учителем.
- •Контрольні питання
- •Варіанти завдань
- •Оцінка алгоритму зворотнього поширення
- •Контрольні питання
- •Варіанти завдань
- •Тема: Нейронні мережі. Побудова та навчання нейромережі для вирішення задачі прогнозування.
- •Постановка задачі прогнозування курсу UKB/USD
- •Контрольні питання
- •Методичні рекомендації по вирішенню задачі та вимоги до звіту
- •Тема: Нейронні мережі. Побудова та навчання нейромережі для розпізнавання образів.
- •Рис.7. Структурна схема мережі Хопфілда
- •2. Розраховується новий стан нейронів
- •Рис. 9. Структурна схема мережі Хемінга
- •Алгоритм функціонування мережі Хемінга наступний:
- •Завдання: побудувати ЕС в області медичної діагностики.
- •Частина 1
- •Частина 2
- •Частина 3
- •Частина 4
- •Частина 5
4)Обчислити, як швидко змінюється помилка зі зміною активності елемента з попереднього шару. Цей ключовий крок дозволяє застосовувати зворотнє поширення до багатошарових мереж. Коли активність елемента з попереднього шару
змінюється, це впливає на активності усіх вихідних елементів, з якими він зв'язаний. Тому, щоб підрахувати сумарний вплив на помилку, ми складаємо всі ці впливи. Але ці впливи неважко підрахувати. Це результат кроку 2, помножений на вагу зв'язку до відповідного вихідному елементу.
EAi = dE dYi
åæ dE
=ç
çè dXjj
|
dX |
ö |
|
× |
j |
÷÷ = å(E1jWij ) . (7) |
|
dY |
|||
|
ij ø |
j |
Користуючись кроками 2 і 4, можна перетворити величини EA одного шару елементів у EA попереднього шару. Цю процедуру повторюють, щоб обчислювати EA стількох попередніх шарів, скільки їх є. Знаючи EA для елемента, можна скористатися кроками 2 і 3, щоб обчислити EW на його вихідних зв'язках.
Оцінка алгоритму зворотнього поширення
Алгоритм зворотнього поширення виявився ефективним у навчанні мереж з багатьма шарами. Але найбільш ефективний він у ситуаціях, коли відношення між входом і виходом нелінійне, а кількість навчальних даних велика. Застосовуючи алгоритм, дослідники створили нейронні мережі, здатні розпізнавати рукописні цифри, прогнозувати зміни валютного курсу й оптимізувати хімічні процеси.
Серйозну проблему являє собою швидкодія алгоритму зворотнього поширення. Тут центральним є питання про те, як швидко росте час, необхідний для навчання, у міру зростання розмірів мережі. Час, що необхідний для обчислення похідних від помилки за вагами на заданому тренувальному прикладі, пропорційний розмірам мережі, оскільки обсяг обчислень пропорційний кількості ваг. Однак більші мережі вимагають більшої кількості тренувальних прикладів, і їм приходиться модифікувати ваги більшу кількість разів. Отже, час навчання росте значно швидше, ніж розміри мережі.
Ісама серйозна проблема методу зворотного поширення полягає
втому, що така НМ вимагає вчителя, що надає значення бажаному виходу для кожного тренувального прикладу.
Контрольні питання
1.Для навчання яких типів нейромереж використовується алгоритм зворотнього поширення помилки ?
37