Нейронные сети
Примеры определения масштаба функций в нейронных сетях. Математическое описание цифровых моделей в нейронных сетях. Выбор интервала дискретизации, описание процесса квантования по времени. Оптимальная коррекция динамических погрешностей измерений.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | контрольная работа |
| Язык | русский |
| Дата добавления | 15.01.2018 |
| Размер файла | 175,4 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru
ПРИМЕРЫ ОПРЕДЕЛЕНИЯ МАСШТАБА ФУНКЦИЙ В НЕЙРОННЫХ СЕТЯХ
Приведём один пример определения масштаба времени. Для сравнения используем сначала систему экспоненциальных не ортогональных функций с четырьмя членами разложения, а затем - систему экспоненциальных ортогональных функций тоже с четырьмя членами разложения.
Исходный процесс имеет вид
. (1)
Базовая система функций:
. (2)
Подставляя в (2) соответственно Т21=2 и Т22=20, по алгориму метода получаем оценки:
, (3)
. (4)
Придавая T значения T=1,2,…,5, производим вычисления по алгоритму метода используя коэффициенты заранее рассчитанные матриц в относительном маштаве «Рассчитанные матрицы.». В результате приходим выводу:
Топт=4, .
Уравнение тренда имеет вид:
.
Графическая интерпретация уравнения тренда и сам исходный ряд представлены на рисунке
Рисунок Исходный ряд и результат аппроксимации
Используем теперь систему ортогональных экспоненциальных функций. нейронный сеть цифровой квантование
(5)
Подставляя в (5) соответственно Т21=2 и Т22=20, получаем оценки:
, (6-)
. (7)
Придавая T значения T=1,2,…,10, производим по алгоритму метода используя коэффициенты заранее рассчитанные матриц в относительном маштаве «Рассчитанные матрицы' В результате приходим выводу:
Топт=6, . (8)
Уравнение имеет вид:
Изобразим в одной системе координат исходный процесс и аппроксимацию с использованием систем ортогональных и неортогональных экспоненциальных функций
Рисунок Исходный ряд и аппроксимация двумя способами
Как видно из рисунка, аппроксимация с помощью системы ортогональных экспоненциальных функций ближе к исходным значениям ряда.
Ещё одно преимущество алгоритма определения масштаба времени заключается в возможности использования преобразований Лапласа При этом исключается возможность интегрирования, поскольку
(9)
и в формулу (9) сразу можно подставлять значения Т21 и Т22. Таким образом, по заданной передаточной функции можно восстановить импульсную переходную функцию.
МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ ЦИФРОВЫХ МОДЕЛЕЙ В НЕЙРОННЫХ СЕТЯХ. ВЫБОР ИНТЕРВАЛА ДИСРЕТИЗАЦИИ
Общие сведения о цифровых системах
На вход ЭВМ в общем случае поступает весьма разнообразная информация, одна часть которой представляется дискретным способом (в виде кодов), а другая часть - аналоговым способом (в виде токов, напряжений, временных интервалов, углов поворота осей и т.д.) Поэтому необходимы устройства, обеспечивающие преобразование кодов входных сигналов в цифровой код машины (преобразователи типа «код-код»), а также преобразователи аналоговых сигналов в цифровой код (преобразователи типа «аналог-цифра»).
Процесс преобразования непрерывных величин в цифровой код машины условно можно разделить на три этапа: квантование по времени, квантование по уровню и кодирование.
Квантование по времени соответствует фиксации мгновенных значений непрерывно изменяющейся функции y(t) в дискретные моменты времени kТ0.
Квантование по уровню состоит в замене в соответствующие моменты времени мгновенных значений непрерывной величины y ближайшими разрешенными дискретными значениями. Эта операция обычно выполняется аналогово-цифровым преобразователем. В аналогово-цифровом преобразователе значение амплитуды импульса подвергается либо округлению, либо усечению. При одновременном квантовании по времени и по уровню непрерывный сигнал y(t) заменяется ближайшими к значениям непрерывного сигнала в дискретные моменты времени kТ0 разрешенными дискретными уровнями y[kТ0].
Кодирование состоит в преобразовании сигнала y[kТ0] в цифровой код ЭВМ.
Если исполнительное устройство имеет аналоговый вход, то необходимо обеспечить преобразование машинного кода ЭВМ в непрерывные величины. Оно обычно состоит из двух операций: преобразование числового кода в импульсный сигнал с амплитудно-импульсной модуляцией (декодирование) и преобразовании импульсного сигнала в аналоговый (экстраполяция).
Декодирование может выполняться с помощью цифро-аналогового преобразователя и сопровождается квантованием сигнала по уровню. Экстраполяция, как правило, представляет собой фиксацию выходного сигнала ЭВМ на постоянном уровне в течение периода дискретности по времени Т0.
Упрощенная блок-схема описанной системы изображена на рис. 1.
Рис. 1.
Замыкание ключей, стоящих на входе и выходе системы, происходит не одновременно, а с интервалом TR . Эта задержка равна времени, затрачиваемому на преобразование аналоговой информации в цифровую форму и последующую ее обработку в центральном процессоре. Поскольку интервал TR, как правило, значительно меньше постоянных времени исполнительных устройств, датчиков и объектов управления, им часто пренебрегают, полагая, что входные и выходные квантователи действуют синхронно. Кроме того, при использовании ЭВМ, работающих со словами длиной 16 разрядов и более, и аналогово-цифровых преобразователей, имеющих не менее 10 двоичных разрядов, эффекты квантования по уровню практически не заметны. Поэтому в первом приближении можно считать, что амплитуды дискретных сигналов изменяются непрерывно
С учетом указанных упрощений структура замкнутого контура управления с ЭВМ в качестве средства обработки дискретной информации приобретает вид, показанный на рис. .2.
Рис. 2. Замкнутый контур управления с ЭВМ, используемой для обработки дискретных данных.
Математическое описание процесса квантования по времени
Как указывалось выше, характерным этапом преобразования сигналов в ЦАС является процесс квантования этих сигналов по времени. Обычно дискретный сигнал получается в результате периодического прерывания непрерывного сигнала с постоянным тактом. Существуют различные способы модуляции отдельных импульсов, входящих в последовательность. В цифровых системах управления обычно применяется амплитудная модуляция, причем в основном тот ее вариант, при котором высота импульса пропорциональна текущему значению непрерывного сигнала, ширина постоянна, а интервалы между импульсами одинаковы и равны такту квантования . Рис. 3. иллюстрирует принцип получения последовательности импульсов, основанный на пропускании непрерывного сигнала y(t) через ключ, который периодически, с тактом квантования Т0, замыкается на время h.
Если длительность импульса h существенно меньше такта квантования Т0, а за ключом стоит линейное звено с постоянными времени Тi »h (например, фиксатор), то последовательность импульсов yp(t) можно приближенно рассматривать как дискретный сигнал (решетчатую функцию) y[kT0], показанный на рис. 4. В этом случае ключ действует как идеальный квантователь, и величины y[kT0] равны мгновенным значениям амплитуд.
Рис. 3.. Формирование амплитудно-модулированного дискретного сигнала.
Рис. 4. Дискретный сигнал y[k T0], получаемый на выходе квантователя (Тi »h).
Математическое описание процесса квантования по времени можно получить, предполагая, что выходной сигнал идеального импульсного элемента, который замыкается и размыкается мгновенно через равные промежутки времени Т0, y*(t) (рис. .5, а) будет представлять собой бесконечную последовательность -импульсов, модулированную непрерывной функцией y(t), т.е. импульсов бесконечно малой длительности и бесконечно большой амплитуды с площадями, равными значениям y[kT0]. Эту функцию можно трактовать как результат перемножения функции y(t) и бесконечной последовательности единичных -функций (рис. .5, б):
y*(t) = y(t) Т0(t) = y[kT0] Т0(t), (.1)
где
. (.2)
Рис. 3.5. Математическая идеализация величины на выходе импульсного элемента
Соотношение (.1) дает описание процесса квантования во временной области. В частотной области процесс квантования по времени описывается выражением [2, 10]
(3)
где wr = 2 /T0 - круговая частота включения импульсного элемента.
Уравнение (3) имеет вид бесконечного ряда, откуда следует, что выходная величина импульсного элемента содержит, кроме спектра сигнала y(t), высокочастотные составляющие. Для того чтобы восстановить приближенную форму непрерывного сигнала y(t) на входе импульсного элемента, за ним необходимо ставить фиксирующую цепь. Амплитудно-частотная характеристика такой цепи должна иметь форму характеристики низкочастотного фильтра, чтобы по возможности устранять нежелательные частотные составляющие сигнала y*(t).
Математическое описание фиксатора
Существуют различные виды и схемы фиксирующих (экстраполирующих) цепей. Наиболее часто используют фиксатор нулевого порядка. Такой тип фиксирующей цепи преобразует последовательность идеальных импульсов в ступенчатую функцию (рис. .6).
Рис. .6. Выходной сигнал фиксатора.
Передаточную функцию экстраполятора нулевого порядка можно получить следующим образом. При подаче на его вход -импульса единичной площади на выходе возникает единичный прямоугольный импульс h(t) длительности Т0 (рис. 7).
Рис. 3.7. Фиксатор и его импульсная переходная характеристика.
Представим импульсную переходную функцию фиксатора h(t) в виде разности двух единичных ступенчатых функций, смещенных по оси времени на время Т0:
. (4)
Преобразовав по Лапласу правую и левую части выражения (4), получим
. (5)
Выражение (.5) представляет собой передаточную функцию фиксатора.
Высокочастотные составляющие сигнала y*(t) оказываются в значительной степени ослаблены в сигнале на выходе фиксирующей цепи. Однако фиксатор вносит фазовое запаздывание в замкнутый контур, что неблагоприятно сказывается на свойствах цифровой системы. Использование экстраполирующих цепей более высокого порядка при лучшем сглаживании импульсных сигналов вносит в систему еще большее запаздывание. В связи с этим в ЦАС такие виды экстраполирующих цепей применяются относительно редко [2].
ОПТИМАЛЬНАЯ КОРРЕКЦИЯ ДИНАМИЧЕСКИХ ПОГРЕШНОСТЕЙ ИЗМЕРЕНИЙ
В данном пособии принята на интервале наблюдения модель входного сигнала полиномиального типа
. (3.3)
В качестве моделей линейной динамической измерительной системы приняты передаточные функции вида:
(3.4)
,
с помощью которых могут быть описаны различные классы измерительных систем. Расчетная схема формирования наблюдаемого сигнала системы оптимальной коррекции динамических погрешностей измерений системой W(p) представлена на рис. 3.1.
Рисунок 3.1- Схема оптимальной фильтрации при наличии помехи типа «белый шум»
Необходимо синтезировать линейные фильтры Wi, i=1,2, выделяющие с наименьшей дисперсией ошибки из выходного сигнала измерительной системы Yn(t) составляющие, пропорциональные контролируемым параметрам b1,b2,…,bn. Сигналы Z1(t), Z2(t) (риссунок 3.1) являются случайными из-за случайности параметров b1,b2. Желаемым выходным сигналом j(t) синтезируемого линейного фильтра Wj является сигнал
. (3.5)
Сформируем ошибку при определении параметра bj с помощью фильтра Wj в виде
(3.6)
и определим оператор Wj из условия минимума дисперсии этой ошибки
. (3.7)
Рассмотрим вначале решение данной задачи для случая помехи n(t) типа «белого шума» с корреляционной функцией Rn() = *(). Затем на основе данного решения произведем обобщение на случай произвольной помехи.
Оптимальные несмещенные оценки в случае помехи типа «белого шума» определяются соотношением:
. (3.8)
Элементы матрицы А и вектора равны
(3.9)
. (3.10)
Точность оценок характеризуется дисперсионной матрицей ошибок
, (3.11)
где - интенсивность белого шума.
В случае дискретных измерений выходного сигнала измерительной системы в моменты t=nT уравнения (3.9), (3.10) перепишутся в виде
, (3.12)
. (3.14)
Синтезируем на основе рассмотренной схемы рисунок 3.1 оптимальный фильтр в случае помехи, отличной от «белого шума».
Преобразуем расчетную схему, представленную на рисунок 3.2. Помеха n(t) характеризуется нулевым математическим ожиданием и корреляционной функцией Rn(). Будем искать оптимальный фильтр в виде последовательного соединения двух звеньев 1 и 2j, j=1,2. Звено 1 такое, что преобразует стационарную произвольную помеху n(t) в стационарный «белый шум». Эквивалентная расчетная схема представлена на рисунок 3.2.
Здесь 1-1 представляет собой формирующий фильтр для помехи n(t) c корреляционной функцией Rn(). Окончательно схему (рисунок 3.2) можно представить в виде рисунок 3.3.
Рисунок 3.3 - Схема оптимальной фильтрации при помехе отличной от «белого шума»
Таким образом, рассмотренная выше методика синтеза оптимальных фильтров может быть применена и для случая синтеза фильтров при произвольной помехе.
НЕЧЕТКИЕ НЕЙРОННЫЕ СЕТИ
Рисунок 1 - Общая схема модели управления в условиях неопределенности
Первый слой нейронов формирует с помощью функции принадлежности начения данного измерения. Для аппроксимации функции принадлежности цлесообрано применять радиальные нейронные сети.
Второй слой формирует принадлежности преобразованных нечетких переменных с помощью преобразователяF (рис1)
Модели являются практически единой альтернативой в социологии, долгосрочных прогнозах (погода, медицина, макроэкономика). В последнее время информационные модели (ИМ) широко используются и при изучении технических и инженерных систем. В ряде случаев информационные и математические компоненты могут составлять единую модель (например, внешние условия описываются решениями уравнений математической физики, а отклик системы - информационной моделью).
Основным принципом ИМ является принцип ЧЯ.(черного ящика) В противоположность аналитическому подходу, при котором моделируется внутренняя структура системы, в методе ЧЯ моделируется внешнее функционирование системы. Сточки зрения пользователя, структура модели системы, спрятанная в ЧЯ, имитирует поведенческие особенности системы. Кибернетический принцип ЧЯ был предложен в рамках теории идентификации систем, в которой для построения модели системы предлагается широкий параметрический класс базисных функций или уравнений, а сама модель синтезируется путем выбора параметров при условии наилучшего, при заданной функции ценности, соответствия решений уравнений обращения системы. При этом структура системы никак не отражается в структуре уравнений модели.
При разработке ИМ очень важным является выбор информационного базиса. В большом количестве случаев принято, что таким базисом являются искусственные нейронные сети, которые, как показано в , являются удобным и естественным базисом для представления ИМ. НС может быть формально определена как совокупность простых процессорных элементов (в данном случае нейронов), которые обладают целиком локальным функционированием и объединены однонаправленными связями (синапсами).
Укажем, что для рассматриваемых случаев УН, в качестве элементов информационного базиса в задачах прогнозирования используется нечеткий нейрон (собственно процессорный элемент), который может иметь довольно сложный алгоритм функционирования, включающий операции НМа. Связями такого нейрона с другими нейронами может быть жгут (или трубка) синапсов. Сеть принимает некоторый входной сигнал из внешнего мира и пропускает его сквозь себя с превращениями в каждом процессорном элементе. Таким образом, в процессе прохождения сигнала по связям сети происходит его обработка, результатом которой является определенный выходной сигнал. В обобщенном виде НС выполняет функциональное соответствие между входом и выходом и может служить ИМ G системы S.
Обусловленная НС функция (или оператор) могут быть произвольными при легко осуществимых требованиях к структурной сложности сети и наличия нелинейности в Передаточных (активационных) функциях нейронов. При моделировании реальных сложных систем значения функции системы S или оператора F[*] определяются на основе экспериментов или наблюдений, которые проводятся лишь для конечного числа параметров х. При этом значения как x, так и y измеряются приблизительно, и подвергнуты ошибкам разной природы (т. н. «мягкие вычисления»).
Цель моделирования - получение значений системных откликов при произвольном изменении х. В этой ситуации в условиях определенности (например, статистической) может быть успешно применена информационная (статистическая) модель G исследуемой системы S. Укажем, что ИМ для задач управления в условиях определенности могут строиться на основе традиционных методов непараметрической статистики. Эта наука позволяет строить обоснованные модели систем в случае большого набора экспериментальных данных (достаточного для доказательства статистических гипотез о характере распределения) и при относительно равномерном их распределении в пространстве параметров. Однако при высокой стоимости экспериментальных данных, или невозможности получения достаточного их количества (как, например, при построении моделей сложных производственных аварий, пожаров и т. п.), или их высокой зашумленности, неполноте и противоречивости такие модели являются неработоспособными. В особенности опасно использование этих моделей при малых статистических выборках, так как полученные на них законы распределения могут быть неустойчивыми, т.е. при увеличении (уменьшении) количества элементов выборки закон распределения может принципиально изменяться. На это впервые обратил внимание академик Ю. В. Линник.
В таких условиях наилучшими оказываются НС модели. Они выборочно чувствительны в областях сосредоточения данных и дают гладкую интерполяцию в других областях. Применяя любой метод моделирования, всегда нужно оценить степень точности модели и характер приближений. Специфичность ИМ обнаруживается не только в способах их синтеза, но и в характере сделанных приближений и соответственно, связанных сними ошибок. Определяют такие главные отличия в обращении системы и ее ИМ, которые нужно учитывать и которые возникают вследствие свойств экспериментальных данных.
Информационные модели по своей природе всегда являются неполными. Пространства входных- выходных переменных в общем случае, не могут содержать все важные для описания параметры системы. Это связано как с техническими ограничениями, так неограниченностью наших представлений о моделируемой системе. Кроме того, при увеличении числа переменных увеличиваются требования к объему экспериментальных данных, необходимых для построения модели. Эффект неучтенных (скрытых) параметров может повлиять на однозначность моделирования системы S.
База экспериментальных данных, на которых основывается модель G, рассматривается как база внешних данных. При этом в данных всегда присутствуют ошибки разной природы, шумы, а также противоречия отдельных измерений друг другу. За исключением простых случаев, противоречия в данных не могут быть устранены.
Экспериментальные данные, как правило, имеют произвольное распределение в пространстве переменных задач. Как следствие, получаемые модели будут иметь неодинаковую достоверность и точность в разных областях изменения параметров.
Экспериментальные данные могут содержать изъятые значения (например, вследствие потери информации, отказа датчиков, невозможности проведения полного набора экспериментов и т.п.). Произвол в интерпретации этих значений, опять-таки, ухудшает свойства модели. Такие особенности в данных и в постановке задач требуют особого отношения к ошибкам ИМ.
ДОПОЛНЕНИЕ К ЛЕКЦИИ “КОНЦЕПЦИЯ ИЗМЕРЕНИЙ, ОСНОВАННАЯ НА ПОДХОДЕ ЗАДЕ. ПОНЯТИЕ О НЕЧЕТКИХ МНОЖЕСТВАХ
Понятия о нечетких множествах
переменная = ,можно xi ставить в числителе.
Пример
1. Мало ;
2. Очень мало = ;
ОЧЕНЬ МАЛО = (µмало)2
3. Немало =0/1 + 0,1/2 + 0,3/3 +…+ 1/7 +…+ 1/10
немало =1- мало
4.
5. y=f(x), f - четкий функциональный преобразователь, x - нечеткая переменная.
6. y1=f (x, y), f - четкий функциональный преобразователь, x, y - нечеткие переменные.
µy1 = µx^µy
- означает минимум
Например, x=
- это, например, x+y; x/y; x*y; и т.д.
Примеры формирования нечетких множеств
{1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
Мало =
Велико =
Не очень мало и не очень велико = (не очень мало) (не очень велико).
Очень мало = 1/1 + 0,81/2 + 0,49/3 + 0,25/4 + 0,09/5 + 0,01/6 + 0/7 + 0/8 + 0/9 + 0/10.
Не очень мало = 0/1 + 0,19/2 + 0,51/3 + 0,75/4 + 0,91/5 + 0,99/6 + 1/7 + 1/8 + 1/9 + 1/10.
Очень велико = 0/1 + 0/2 + 0,01/3 + 0,04/4 + 0,09/5 + 0,16/6 + 0,49/7 + 1/8 + 1/9 + 1/10.
Не очень велико = 1/1 + 1/2+ 0,99/3 + 0,96/4 + 0,91/5 + 0,84/6 + 0,51/7 + 0/8 + 0/9 + 0/10.
Не очень мало и не очень велико = (не очень мало) (не очень велико) = 0/1 + 0,19/2 + 0,51/3 + 0,75/4 + 0,91/5 + 0,84/6 + 0,51/7 + 0/8 + 0/9 + 0/10.
(не очень мало) или (не очень велико) = 1/1 + 1/2+ 0,99/3 + 0,96/4 + 0,91/5 + 0,99/6 + 1/7 + 1/8 + 1/9 + 1/10.
Построение функций принадлежности
1. Коэффициент принадлежности x отождествляют с вероятностью появления «x».
2. Количественная оценка выводится путем сравнения свойств нечеткого множества.
Пример:
Петр похож на Ивана.
Пусть из «m» признаков (свойств) у Петра «k»признаков (свойств) является общими с Иваном.
Петр похож на Ивана = .
Если признаки неэквивалентны, то при расчете следует учитывать их весовые коэффициенты (pi).
.
- суммируется вероятные коэффициенты с общими «П» и «И» свойствами. Конечно, можно заменить Петра на кардиограмму сердца Петра,
=
3. Величина определяется с помощью экспертных оценок, то есть путем опроса (голосования) специалистов.
При этом может предлагаться методика, основанная на применении стандартного набора графиков функций принадлежности. Специалист выбирает наиболее подходящий ему график из стандартного набора, а затем в диалоге с ЭВМ задает принадлежность.
Перспективы использования теории нечетких множеств при обработке измерений
Теория нечетких множеств позволяет приближенно описывать поведение систем, коллективы людей настолько сложных и плохо определенных, что они не подчиняются точному математическому анализу. Формализация системы в виде нечетких множеств в ряде случаев является единственно возможным.
Размещено на Allbest.ru
Подобные документы
Алгоритмы кластеризации данных, отбора факторов, построения множественной линейной регрессии, оценки параметров процесса на скользящем постоянном интервале. Решение задач анализа данных на нейронных сетях и результаты моделирования нелинейных функций.
контрольная работа [1,5 M], добавлен 11.01.2016Возможности программ моделирования нейронных сетей. Виды нейросетей: персептроны, сети Кохонена, сети радиальных базисных функций. Генетический алгоритм, его применение для оптимизации нейросетей. Система моделирования нейронных сетей Trajan 2.0.
дипломная работа [2,3 M], добавлен 13.10.2015Искусственные нейронные сети, строящиеся по принципам организации и функционирования их биологических аналогов. Элементарный преобразователь в сетях. Экспериментальный автопилотируемый гиперзвуковой самолет-разведчик LoFLYTE, использующий нейронные сети.
презентация [1,3 M], добавлен 23.09.2015Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
реферат [158,2 K], добавлен 16.03.2011Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Нейронные сети как средство анализа процесса продаж мобильных телефонов. Автоматизированные решения на основе технологии нейронных сетей. Разработка программы прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.
дипломная работа [4,6 M], добавлен 22.09.2011Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.
дипломная работа [814,6 K], добавлен 29.09.2014Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.
курсовая работа [1,5 M], добавлен 15.10.2012Принципы организации и функционирования биологических нейронных сетей. Система соединенных и взаимодействующих между собой простых процессоров. Нейронные сети Маккалока и Питтса. Оценка качества кластеризации. Обучение многослойного персептрона.
курсовая работа [1,1 M], добавлен 06.12.2010Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.
реферат [162,9 K], добавлен 30.09.2013
