Методы прогнозирования основанные на нейронных сетях (Lexicon) [Диссертация]

---

запомнить в избранное   искать в этом разделе

---

ВНИМАНИЕ !!! Это сокращенная версия файла. Предназначена она только для того, чтобы вы могли предварительно ознакомиться с документом, перед тем как его скачать. Здесь нет картинок, не сохранен формат, шрифт, размеры и положение на странице.
Чтобы скачать полную версию, нажмите ссылки которые находятся чуть-чуть ниже (Info File Mail)

---

Info File Mail

Файл относится к разделу:
ПРОГРАММИРОВАHИЕ, БАЗЫ ДАHHЫХ

---

-
2. НЕЙРОННЫЕ СЕТИ. СОСТОЯНИЕ ПРОБЛЕМЫ
В данной главе мы обсуждаем известные модели НС: модель Маккалоха и Питтса; модель Розенблата; модели Хопфилда и Больцмана;
модель на основе обратного распространения. Рассмотрена структура
и особенности каждой из моделей. Перечислены основные задачи решаемые на основе НС, описаны способы реализации НС. Проведен анализ известных моделей НС с точки зрения решения решения задачи
прогнозирования.
2.1. Нейронные сети - основные понятия и определения
В основу искусственных нейронных сетей [2-4, 8]положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами:
- простой обрабатывающий элемент - нейрон;
- очень большое число нейронов участвует в обработке информации;
- один нейрон связан с большим числом других нейронов (глобальные связи);
- изменяющиеся по весу связи между нейронами;
- массированная параллельность обработки информации.
Прототипом для создания нейрона послужил биологический нейрон головного мозга. Биологический нейрон имеет тело, совокупность отростков - дендридов, по которым в нейрон поступают входные сигналы, и отросток - аксон, передающий выходной сигнал нейрона другим клеткам. Точка соединения дендрида и аксона называется синапсом [13,47]. Упрощенно функционирование нейрона можно
представить следующим образом:
1) нейрон получает от дендридов набор (вектор) входных сигналов;
2) в теле нейрона оценивается суммарное значение входных
сигналов. Однако входы нейрона неравнозначны. Каждый вход характеризуется некоторым весовым коэффициентом, определяющим важность
поступающей по нему информации. Таким образом, нейрон не просто
суммирует значения входных сигналов, а вычисляет скалярное произведение вектора входных сигналов и вектора весовых коэффициентов;
3) нейрон формирует выходной сигнал, интенсивность которого
зависит от значения вычисленного скалярного произведения. Если
-
оно не превышает некоторого заданного порога, то выходной сигнал
не формируется вовсе -

• подписаться на рассылку. • добавить в избранное. • нашли ошибки ?

Это место