На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


контрольная работа Обучение нейронной сети

Информация:

Тип работы: контрольная работа. Добавлен: 17.09.2012. Сдан: 2012. Страниц: 5. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Содержание 

1.Введение…………………………………………………………………………3
1.1.Введение в нейтронные сети…………………………………………………4
1.2. Краткие сведения о нейроне…………………………………………………5

1.3. Искусственный нейрон………………………………………………………8

2.Модели нейронных  сетей………………………………………………………10

2.1.Сети с прямыми  связями……………………………………………………..10
2.1.1.Прямой персептрон……………………………………………………...….10
2.1.2.Многослойный персептрон……………………………………………...…11
2.2.Сети с симметричными  связями………………………. ……………………12
2.2.1.Ансамблевые  нейронные сети…………………………………………..…12
2.2.2.Машина Больцмана………………………………………………………....14
2.3.Сети с латеральным  торможением…………………………………………..15
2.3.1.Карты признаков  Кохонена……………………………………………...…15
2.3.2.Теория адаптивного  резонанса…………………………………………….17
3.Обучение нейронной  сети…………………………………………………...…17
3.1.Нейрокомпьютеры…………………………………………………………....19
3.2.Теоретический……………………………………………………………...…19
3.3.Программный……………………………………………………………...….19
3.4.Программно-аппаратный………………………………………………….…19
3.5.Аппаратный………………………………………………………………...…20
4.Заключение……………………………………………………………………...21
5.Список литературы…………………………………………………………..…22
1.Введение
  В современном мире прогресс производительности программиста достигается в тех  случаях, когда часть интеллектуальной нагрузки берут на себя компьютеры. Одним из способов достигнуть максимального  прогресса в этой области, является "искусственный интеллект", когда  компьютер берет на себя не только однотипные, многократно повторяющиеся  операции, но и сам сможет обучаться.
  Принципиальное  отличие интеллектуальных систем от любых других систем автоматизации  заключается в наличии базы знаний о предметной среде, в которой  решается задача. Неинтеллектуальная система при отсутствии каких-либо входных данных прекращает решение  задачи, интеллектуальная же система  недостающие данные извлекает из базы знаний и решение выполняет. 
 
 
 
 
 
 
 
 
 
 
 

1.1. Введение в нейронные сети
  Постоянно возрастает необходимость в системах, которые способны не только выполнять  однажды запрограммированную последовательность действий над заранее определенными  данными, но и способны сами анализировать  вновь поступающую информацию, находить в ней закономерности, производить  прогнозирование и т.д. В этой области приложений самым лучшим образом зарекомендовали себя так  называемые нейронные сети – самообучающиеся  системы, имитирующие деятельность человеческого мозга.
  Область науки, занимающаяся построением и  исследованием нейронных сетей, находится на стыке нейробиологии, математики, электроники и программирования и называется нейрокибернетикой или нейроматематикой (neurocomputing). Способность нейронной сети к обучению была впервые исследована Дж. Маккаллоком и У. Питсом. В 1943 г. вышла их работа «Логическое исчисление идей, относящихся к нервной деятельности», в которой была построена модель нейрона и сформулированы принципы построения искусственных нейронных сетей. В 1962 г. Ф. Розенблат (Корнельский университет) предложил модель нейронной сети, названную персептроном. В 70 – х годах японским ученым К. Фукушима была предложена другая модель – когнитрон, способная хорошо распознавать сложные образы (иероглифы и т.п.) независимо от поворота и изменения масштаба изображения. В 1982 г. американский биофизик Дж. Хопфилд предложил модель нейронной сети, названную его именем.
  Нейронные сети наиболее эффективны в системах распознавания образов, ассоциативной  памяти, прогнозирования и адаптивного  управления и неэффективны в областях, требующих точных вычислений. На рынке  появляются реализации нейроподобных систем в виде пакетов программ, нейроплат и нейрочипов. Исследованиями в области нейрокомпьютеров занимаются в Японии: фирмы NBC, Nihon Denki, Mitec, Fujitsu, Matsusita, Mitsubishi, Sony, Toshiba, Hitachi; в США: AT&T, IBM, Texas Instruments, Xerox.

1.2. Краткие сведения о нейроне

  Нейрон  – это нервная клетка, состоящая  из тела и отростков, соединяющих  ее с внешним миром.
  
  Рисунок 1 - Биологический нейрон
  Биологический нейрон содержит следующие структурные  единицы:
  Тело  клетки (т) — сома: содержит ядро (я), митохондрии (обеспечивают клетку энергией), другие органеллы, поддерживающие жизнедеятельность  клетки.
  Дендриты (д) – входные волокна, собирают информацию от других нейронов. Активность в дендритах меняется плавно. Длина их обычно не больше 1 мм.
  Мембрана  – поддерживает постоянный состав цитоплазмы внутри клетки, обеспечивает проведение нервных импульсов.
  Цитоплазма  — внутренняя среда клетки. Отличается концентрацией ионов K+, Na+, Ca++ и других веществ по сравнению с внеклеточной средой.
  Аксон (а), один или ни одного у каждой клетки, – длинное, иногда больше метра, выходное нервное волокно клетки. Импульс  генерируется в аксонном холмике (а.х.). Аксон обеспечивает проведение импульса и передачу воздействия на другие нейроны или мышечные волокна (мв). Ближе к концу аксон часто ветвится.
  Синапс (с) – место контакта нервных волокон  — передает возбуждение от клетки к клетке. Передача через синапс почти всегда однонаправленная. Различают  пресинаптические и постсинаптические клетки — по направлению передачи импульса.
  Шванновские клетки (шв.кл). Специфические клетки, почти целиком состоящие из миелина, органического изолирующего вещества. Плотно "обматывают" нервное волокно 250 слоями миелина. Неизолированные места нервного волокна между шванновскими клетками называются перехватами Ранвье (пР). За счет миелиновой изоляции скорость распространения нервных импульсов возрастает в 5 - 10 раз и уменьшаются затраты энергии на проведение импульсов. Миелинизированные волокна встречаются только у высших животных.
  В центральной нервной системе  человека насчитывается от 100 до 1000 типов нервных клеток, в зависимости  выбранной степени детализации. Они отличаются картиной дендритов, наличием и длиной аксона и распределением синапсов около клетки.
  Клетки  сильно связаны между собой. У  нейрона может быть больше 1000 синапсов. Близкие по функциям клетки образуют скопления, шаровидные или параллельные слоистые. В мозгу выделены сотни  скоплений. Кора головного мозга  – тоже скопление. Толщина коры — 2 мм, площадь — около квадратного  фута.
  Нервный импульс (спайк) – процесс распространения возбуждения по аксону от тела клетки (аксонного холмика) до окончания аксона. Это основная единица информации, передаваемая по волокну, поэтому модель генерации и распространения нервных импульсов (НИ) — одна из важнейших в теории НС.
  Импульсы  по волокну передаются в виде скачков  потенциала внутриклеточной среды  по отношению к внешней среде, окружающей клетку. Скорость передачи – от 1 до 100 м/с. Для миелинизированных волокон скорость передачи примерно в 5 – 10 раз выше, чем для немиелинизированных.
  При распространении форма спайка не меняется. Импульсы не затухают. Форма  спайка фиксирована, определяется свойствами волокна и не зависит от того, каким способом создан импульс.
  При воздействии вспышек света постоянной длительности и различной интенсивности  вырабатывались импульсы в соответствующем  зрительном волокне. Было определено, что от интенсивности света зависит  не амплитуда импульсов и их форма, а плотность и общее количество.
   

1.2.Искусственный нейрон

  Несмотря  на большое разнообразие вариантов  нейронных сетей, все они имеют  общие черты. Так, все они, так  же, как и мозг человека, состоят  из большого числа связанных между  собой однотипных элементов –  нейронов, которые имитируют нейроны  головного мозга. На рисунке показана схема нейрона. 

  
  Рисунок 2 - Схема нейрона
  Из  рисунка видно, что искусственный  нейрон, так же, как и живой, состоит  из синапсов, связывающих входы нейрона  с ядром; ядра нейрона, которое осуществляет обработку входных сигналов и  аксона, который связывает нейрон с нейронами следующего слоя. Каждый синапс имеет вес, который определяет, насколько соответствующий вход нейрона влияет на его состояние. Состояние нейрона определяется по формуле:
  S = anxiwi,
  где
  – число входов нейрона;
  x– значение i-го входа нейрона;
  w– вес i-го синапса.
  Затем определяется значение аксона нейрона  по формуле
  Y = f(S),
  где – некоторая функция, которая называется активационной.
  Самая простая интерпретация выработки  сигнала в аксон – сравнение  суммарного возбуждения с некоторым  пороговым значением. Исходя из этой интерпретации, искусственный нейрон будет иметь схему, показанную на рисунке 3.
  
  Рисунок 3 - Элементы схемы нейрона
  Наиболее  часто в качестве активационной  функции используется так называемый сигмоид, который имеет следующий вид:
   .
  Основное  достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет очень  простую производную:  

  f '(s) = a f(s)(1 – f(s)).
  При уменьшении параметра сигмоид становится более пологим, вырождаясь в горизонтальную линию на уровне 0,5 при a=0. При увеличении сигмоид все больше приближается к функции единичного скачка. 
 
 
 
 

2.Модели  нейронных сетей
    Рассматриваемые нами модели нейронных сетей объединены в три группы. Рассматриваются сети персептронного типа, для которых характерно отсутствие обратных связей между нейроподобными элементами, организованными в слои. Отличительной особенностью сетей, являются симметричные (равные по величине и противоположные по направлению) связи между любыми двумя соединенными нейронами. В нейросетевых архитектурах, между нейронами одного слоя имеются постоянные тормозящие связи (латеральное торможение).
2.1.Сети  с прямыми связями
2.1.1.Прямой  персептрон
    В середине 50-х годов была предложена одна из первых моделей нейронных сетей, которая вызвала большой интерес из-за своей способности обучаться распознаванию простых образов. Эта модель - персептрон - состоит из бинарных нейроподобных элементов и имеет простую топологию, что позволило достаточно полно проанализировать ее работу и создать многочисленные физические реализации. Типичный персептрон состоит из трех основных компонент:
матрицы бинарных входов r1, r2, ..., rn (сенсорных нейронов или "сетчатки", куда подаются входные образы);
набора бинарных нейроподобных элементов x1, x2, ..., xm (или предикатов в наиболее общем случае) с фиксированными связями к подмножествам сетчатки ("детекторы признаков");
бинарного нейроподобного элемента с модифицируемыми связями к этим предикатам ("решающий элемент").
   На самом деле число решающих элементов выбирают равным количеству классов, на которое необходимо разбить предъявляемые персептрону образы.
    Таким образом, модель персептрона характеризуется наличием только прямых связей, один из слоев которых является модифицируемым. В постейшем случае, когда n = m и xi = ri, детекторы признаков могут рассматриваться как входной слой. Тогда персептрон становится одним бинарным нейроподобным элементом. Это классическая модель М-входового нейрона, или простой персептрон Розенблатта. В общем случае каждый элемент xi может рассматриваться как булева функция, зависящая от некоторого подмножества сетчатки. Тогда величина выходных сигналов этих обрабатывающих элементов является значением функции xi, которое равно 0 или 1.
    Устройство реагирует на входной вектор генерацией выходного сигнала y решающего элемента .Таким образом, персептрон формирует гиперплоскость, которая делит многомерное пространство x1, x2, ..., xm на две части и определяет, в какой из них находится входной образ, выполняя таким образом, его классификацию. Возникает вопрос, как определить значения весов, чтобы обеспечить решение персептроном конкретной задачи. Это достигается в процессе обучения.
2.1.2Многослойный персептрон
    Как отмечалось выше, простой персептрон с одним слоем обучаемых связей формирует границы областей решений в виде гиперплоскотей. Двухслойный персептрон может выполнять может выполнять операцию логического "И" над полупространствами, образованными гиперплоскостями первого слоя весов. Это позволяет формировать любые, возможно неограниченные, выпуклые области в пространстве входных сигналов. С помощью трехслойного персептрона, комбинируя логическими "ИЛИ" нужные выпуклые области, можно получить уже области решений произвольной формы и сложности, в том числе невыпуклые и несвязные. То, что многослойные персептроны с достаточным множеством внутренних нейроподобных элементов и соответствующей матрицей связе в принципе способны осуществлять любое отображение вход - выход, отмечали еще Минский и Пейперт, однако они сомневались в том, что можно открыть для них мощный аналог процедуры обучения простого персептрона. В настоящее время в результате возрождения интереса к многослойным сетям предложено несколько таких процедур.
2.2.Сети  с симметричными  связями
2.2.1.Ансамблевые нейронные сети 
   Минский и Пейперт отмечали, что недостатки простых персептронов можно преодолеть как с помощью многослойных сетей (см. выше), так и введением в сеть обратных связей, допускающих циркуляцию сигналов по замкнутым контурам. Использовать свойства такого рода сетей для моделирования функций мозга еще в 1949 г. предложил Хебб.
    Согласно взглядам Хебба нервные клетки мозга соединены друг с другом большим количеством прямых и обратных возбуждающих связей и образуют нейронную сеть. Каждый нейрон осуществляет пространственно-временную суммацию приходящих к нему сигналов от возбуждающих, определяя потенциал на своей мембране. Когда потенциал на мембране превышает пороговое значение, нейрон возбуждается. Нейрон обладает рефрактерностью и усталостью. Эффективность связей может изменяться в процессе функционирования сети, повышаясь между одновременно возбужденными нейронами. Это приводит к объединению нейронов в клеточные ансамбли - группы клеток, которые чаще всего возбуждались вместе, и к обособлению ансамблей друг от друга. При возбуждении достаточной части ансамбля он возбуждается целиком. Различные ансамбли могут пересекаться: один и тот же нейрон может входить в разные ансамбли. Электрическая активность мозга обусловлена последовательным возбуждением отдельных ансамблей.
    Идеи Хебба оказали большое воздействие на представления о работе мозга и послужили основой для создания нейронных моделей долговременной памяти. Действительно, ансамблевую нейронную сеть можно рассматривать как структуру, реализующую функции распределенной ассоциативной памяти. Формирование ансамблей в такой сети соответствует запоминанию образов (признаков, объектов, событий, понятий), закодированных паттерном активности нейронов, а сформированные ансамбли являются их внутренним представлением. Процесс возбуждения всего ансамбля при активации части его нейронов можно интерпретировать как извлечение запомненной информации по ее части - ключу памяти.
   Модель памяти на основе ансамблевой нейронной сети обладает некоторыми свойствами, присущими биологической памяти, таким, как ассоциативность, распределенность, параллельность, устойчивость к шуму и сбоям, надежность. Проводятся также структурные аналоги между ансамблевыми моделями нейронных сетей и строением коры головного мозга. Имеются экспериментальные данные о синаптической пластичности, постулированной Хеббом.
    Модель ансамблиевой сети состоит из большого количества нейронов, каждый из которых обычно соединен со всеми другими элементами сети. Входной образ подается на сеть путем активации нужных нейроподобных элементов. Обучение ансамблиевой сети описано в параграфе .
   Сеть Хопфилда. Хотя многочисленные результаты моделирования демонстрировали стабильность ансамблевых сетей с обратными связями и хеббовским правилом обучения (эволюцию сети к устойчивому состоянию), отсутствие математического обоснавания такого поведения препятствовало их популярности.
    В 1982 г. американский биофизик Джон Хопвилд опубликовал статью, где поведение модели полносвязной сети бинарных нейроподобных элементов с симметричными связями (w ij = w ji). элементы функционировали в асинхронном режиме, т.е. каждый нейрон в случайные моменты времени с некоторой средней частотой определял свое состояние с правилом (1.3). Это позволило описать поведение сети ка релаксационный процесс, при котором минимизируется функция (гамильтониан) модели.
2.2.2.Машина Больцмана
   Машина Больцмана представляет собой стохастический вариант сети Хопфилда. Бинарные нейроподобные элементы (блоки) трактуются здесь представители элементарных гипотез, а веса - как слабые парные взаимоограничения между ними. Положительный вес связи указывает, что две гипотезы стремятся поддерживать друг друга, а отрицательный - на их несовместимость. Симметрия связей позволяет проанализировать поведение сети с использованием энергетической функции (гамильтониана). Энергию определенного паттерна активности можно интерпретировать как степень нарушения ограничений, присутствующих в проблемной области, со стороны конкретной комбинации гипотез или как стоимостную функцию, которая должна быть минимизирована для решения оптимизационной задачи. Существует возможность, однако, попадания сети в локальный мимнимум, что крайне не желательно для оптимизационных задач. Чтобы сеть могла выбраться из локального энергетического минимума, в машине Больцмана применяется вероятностное правило срабатывания блоков:
,
где pi - вероятность нахождения i-го блока в единичном состоянии;
P (x) - сигмоидная функция (рис. 1.2. б);
T - параметр, аналогичный  температуре. При T® 0 это правило  переходит в правило срабатывания  детерминированных элементов , а при повышении температуры увеличивается вероятность перехода системы в состояние с большей энергией.
2.3.Сети с латеральным торможением
2.3.1.Карты признаков Кохонена.
   Обычно в качестве входных образов в моделях ассоциативной памяти используются некоторые внутренние представления сенсорной информации, прошедшей, как считается, необходимую предобработку. Один из нейросетевых вариантов такой переработки предложен Кохоненом. Его алгоритм формирует одно- или двумерную карту "карту" признаков путем нелинейного "сплющивания" многомерного сигнального пространства. При этом предполагается, что такое отображение должно сохранять топологические отношения, существующие между входными сигналами.
   Структура нейронной сети, в которой реализуется формирование карт признаков. Нейроны, имеющие сигмоидную характеристику, расположены в виде одно- и двумерного слоя слоя по аналогии со слоистым строением коры. На каждый нейрон поступают два вида связей: mij, которые интерпретируются как связи от сенсорных входов или из других областей, и w jk - латеральные связи от нейронов одного слоя, характер которых зависит от расстояния между нейронами. Функция взаимодействия нейронов одного слоя имеет вид "мексиканской шляпы" ,что соответствует некоторым нейробиологическим данным. Близко расположенные нейроны возбуждают друг друга, с увеличением расстояния возбуждение сменяется торможением, а затем опять появляются слабые возбуждающие связи, которые по-видимому, выполняют ассоциативные функции и в данной модели не используются.

   Эффект наличия латеральных связей с радиусом действия порядка размеров сети проявляется в следующем. Если на каждый нейрон подать (например, через связи от сенсорных входов mij) имеющий небольшой максимум случайный сигнал Si, то в процессе релаксации сети осуществляется повышение его контрасности. В результате вокруг первоначального максимума образуется "пузырек" выходной активности нейронов .

   Входные сигналы полностью определяют процесс самоорганизации сети, т.е. в ней реализован алгоритм обучения без учителя. Латеральные связи w jk в модели считаются постоянными, и все адаптивные эффекты происходят только в матрице входных связей М.
2.3.2.Теория  адаптивного резонанса 
   Пожалуй, одна из самых развитых и продуманных с биологической точки зрения концепций нейросетевой обработки информации предложена в работах Гроссберга. Ее стержнем является модель нейронной сети и алгоритмы теории адаптивного резонанса, которая была разработана в начале 70-х годов и детализирована в 80-х.
    Нейронная система теории адаптивного резонанса способна обучаться распознаванию образов различной степени сложности. Она относит входной образ к одному из классов в зависимости от того, на какой образ из запомненных образов он больше всего похож. Если входной образ не соответствует ни одному из запомненных, создается новый класс путем его запоминания. Если найден образ, с определенным "допуском" соответствующий входному, то он модифицируется так, чтобы стать еще больше похожим на входной.
3.Обучение нейронной сети
    Одно из важнейших свойств нейроподобной сети - способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Обучение основано на увеличении силы связи (веса синопса) между одновременно активными нейронами. Таким образом, часто используемые связи усиливаются, что объясняет феномен обучения путем повторения и привыкания. Математически это правило можно записать так:

где w ij(t) и w ij(t+1) - значение связи от i-го к j-му нейрону соответственно до и после его изменения, a - скорость обучения. В настоящее время существует множество разнообразных обучающих правил (алгоритмов обучения). Некоторые из них приведены ниже.
"Back propagation" (алгоритм обратного распространения ошибки).
   Этот алгоритм является обобщением одной из процедур обучения простого персептрона, известной как правило Уидроу - Хоффа (или дельта-правило), и требует представления обучающей выборки. Выборка состоит из набора пар образов, между которыми надо установить соответствие, и может рассматриваться как обширное задание векторной функции, область определения которой - набор входных образов, а множество значений - набор выходов.
   Перед началом обучения связям присваиваются небольшие случайные значения. Каждая итерация процедуры состоит из двух фаз. Во время первой фазы на сеть подается входной вектор (образ) путем установки в нужное состояние входных элементов. Затем входные сигналы распространяются по сети, порождая некоторый выходной вектор. Для работы алгоритма требуется, чтобы характеристика вход - выход нейроподобных элементов была неубывающей и имела ограниченную производную. Обычно для этого используют сигмоидную нелинейность вида.
   Полученный выходной вектор сравнивается с требуемым. Если они совпадают, обучения не происходит. В противном случае вычисляется разница между фактическими и требуемыми выходными значениями, которая передается последовательно от выходного слоя к входному. На основании этой информации об ошибке производится модификация связей с обобщенным дельта-правилом.
   Обучение без "воспитателя".Обучение без "воспитателя" возможно например в сетях адаптивного резонанса .Происходит сравнение входного образа с имеющимися в памяти сети шаблонами. Если нет подходящего шаблона, с которым можно было бы отождествить исследуемый образ, то создается новый шаблон, содержащий в себе этот входной образ. В дальнейшем новый шаблон используется наравне с другими.
3.1.Нейрокомпьютеры
   Термин "нейрокомпьютер" употребляется для обозначения всего спектра работ в рамках подхода к построению систем искусственного интеллекта, основанного на моделировании элементов, структур, взаимодействий и функций различных нервной системы. Так как в настоящее время исследования в этой области ведутся в основном на уровне моделей нейронных сетей, то понимание термина "нейрокомпьютеры" сужают, ставя знак равенства между ним и нейронными сетями.
   В зависимости от способа реализации моделей нейронных сетей выделяют 4 уровня нейрокомпьютеров.
3.2.Теоретический  
  Работы, в которых в той или иной форме (математической, алгоритмической, словесной и т.д.) представлено описание моделей нейронных сетей.
3.3.Программный
   Модели нейронных сетей, программно реализованные на обычных последовательных компьютерах.
3.4.Программно-аппаратный  
Сопроцессоры  для ускорения моделирования  нейронных сетей. 
 

3.5.Аппаратный
   Физически реализованные модели нейронных сетей.Специфичность нейросетевых операций, а также сверхпараллельность структуры и функционирования моделей нейронных сетей чрезвычайно замедляют их реализацию на обычных последовательных компьютерах. Потребность в выполнении большого объема исследовательских работ и быстром функционировании появившихся прикладных систем привели к появлению специализированных вычислительных устройств для эффективного моделирования нейронных сетей - нейрокомпьютеров в узком смысле слова. Такая трактовка, соответствующая уровням 2 и 3 по приведенной классификации, получила широкое распространение. 
 
 
 
 
 
 
 
 
 
 

4.Заключение
Рассмотренные нами нейроподобные сети могут выполнять большой круг задач.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

5.Список литературы 

1.Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996
2.Круглов В.В.,Борисов В.В. Искусственные нейтронные сети. Теория и практика.-2-е издание,2002
3.  Л. Н. Ясницкий, "Введение в искусственный интеллект", Изд. Академия, 2005 г.,
4. Комарцова Л. Г., Максимов А. В. Нейрокомпьютеры — 1-е. — Изд-во МГТУ им. Н.Э. Баумана, 2002.
5. Савельев А. В. Нейрокомпьютеры в изобретениях  журнал «Нейрокомпьютеры: разработка, применение».
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.