Здесь можно найти учебные материалы, которые помогут вам в написании курсовых работ, дипломов, контрольных работ и 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 оригинальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение оригинальности любого файла в формате MS Word. После такого повышения оригинальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, РУКОНТЕКСТ, etxt.ru. Программа «StudentHelp» работает по уникальной технологии так, что на внешний вид, файл с повышенной оригинальностью не отличается от исходного.

Работа № 123746


Наименование:


Курсовик Решение задачи классификации объектов(мультиварок) с использованием нейронных сетей

Информация:

Тип работы: Курсовик. Предмет: Информатика. Добавлен: 21.12.2020. Год: 2019. Страниц: 47. Уникальность по antiplagiat.ru: 77. *

Описание (план):



Курсовая работа по дисциплине:
«Интеллектуальные информационные системы»
На тему: «Решение задачи классификации объектов(мультиварок) с использованием нейронных сетей»


Нижний Новгород
2019


Оглавление:
Введение…………………………………………………………………………3
1. Общая характеристика нейронных сетей и краткая история их развития………………………………………………………………………….4
2. Описание задачи классификации……………………………………………7
3. Имитирование работы искусственной нейронной сети в среде Excel ……8
3.1 Постановка конкретной задачи классификации…………………………..8
3.2 Описание входной и выходной информации……………………………...8
3.3 Описание алгоритма решения задачи в Excel……………………………..11
4. Решение задачи классификации с использованием специализированных программ на примере классифицирования мультиварок……………………..14
4.1 Алгоритм решения задачи классификации в программе Neural Planner...14
4.2 Алгоритм решения задачи классификации в программе NeuroPro………21
5. Анализ полученных результатов и выводы…………………………………28
Заключение……………………………………………………………………….29
Список использованной литературы…………………………………………...30
Приложения………………………………………………………………………31


Введение.
Проблема классификации бытовой техники в современном мире является особенно значительной и важной, поскольку большинство людей часто пытаются совершить выгодную покупку и выбрать наилучшую модель бытовой техники из предложенных, а поскольку ряд моделей для каждого бытового товара может содержать большое количество позиций, то выбор для человека значительно усложняется.
В своей курсовой работе, я хочу рассмотреть проблему классификации одного из самых незаменимых бытовых приборов в настоящее время — мультиварок.
Мультиварка имеет довольно большой ряд характеристик, на которые обычный человек обращает внимание при выборе конкретной модели. Как правило, человек в момент принятия решения о выборе конкретной мультиварки руководствуется личными предпочтениями, но в то же время благодаря нейронным сетям можно решить поставленную задачу классификации. Исходя из сравнения характеристик мультиварок, предложенных самим человеком нейронной сети для анализа, будет получено оптимальное решение задачи.
В данной курсовой работе будет рассмотрен принцип работы и обучения нейронных сетей с последующим решением задачи классификации мультиварок.


1.Общая характеристика нейронных сетей и краткая история их развития.
Искусственная нейронная сеть - это вычислительная система, обладающая возможностью к самообучению, со временем улучшающая свою работоспособность. Строение нейронной сети описывается следующими основными элементами:
• Искусственные нейроны, которые являются элементарными и взаимосвязанными единицами.
• Синапс – это связь, необходимая для передачи или принятия информации между другими нейронами.
• Сигнал – данные, которые подлежат отправки.
Сфера деятельности искусственных нейронных сетей ежегодно расширяется и сегодня можно увидеть, что они применяются в таких областях как:
• Машинное обучение, являющееся своего рода искусственным интеллектом, основанный на обучении ИИ на примере миллионов однотипных задач. Машинное обучение в настоящее время динамично реализует поисковые системы Гугл, Яндекс, Бинг. В результате обильных поисковых запросов, вводимых в Гугл каждый день, их алгоритмы учатся показывать нам наиболее подходящую информацию для более комфортного поиска.
• В робототехнике нейронные сети используются для разработки многих алгоритмов предназначенных для железных «мозгов» роботов.
• Архитекторы компьютерных систем используют нейронные сети для решения многочисленных задач параллельных вычислений.
• Используя нейронные сети, математики могут решать различные непростые математические проблемы.

История формирования нейронных сетей восходит к появлению первых компьютеров или ЭВМ (электронно-вычислительная машина), как их тогда называли. В результате Дональд Хебб разработал нейронную конструкцию в конце 1940-х годов, которая заложила правила компьютерного обучения. Хронология развития нейронных сетей была следующей:
• 1954 год был первым, когда практическое применение нейронных сетей имело место в работе ЭВМ...


Заключение.
В результате выполнения данной курсовой работы был рассмотрен принцип работы и обучения нейронных сетей в различных программах с последующим решением задачи классификации объектов, в моем случае мультиварок. В настоящее время проблема классификации бытовой техники является актуальной, так как обильное количество людей сталкивается с выбором наилучшей модели из предложенных, а поскольку ряд моделей для каждого бытового товара достигает большего количества позиций, то выбор для человека значительно усложняется. Именно благодаря нейронным сетям решение задачи классификации снижается по времени и упрощает задачу выбора для простого пользователя. Работая в программах Neural Planner и NeuroPro, я заметил, что качество обучения нейронной сети напрямую зависит: от количества примеров в обучающей выработке и от того насколько полно эти примеры описывают поставленную задачу. Принадлежность к классам при ручном расчете совпало с автоматическим расчетом нейронной сети не полностью. Но несовпадение классов можно объяснить тем, что при применении численных методов использовались приоритеты, а этот параметр никак не учитывался в нейронной сети.


Список использованной литературы.

1) Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2002.
2) Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. – М.: Горячая линия – Телеком, 2007.
3) Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика: Учебное пособие. Изд. 4-е. – М.: КРАСАНД, 2011.
4) Дорогов А.Ю., Алексеев А.А. Структурные модели быстрых нейронных сетей //В сб. «Интеллектуальные системы». Труды II-го Международного симпозиума /Под ред. К.А.Пупкова.–М.: Изд. ПАИМС, 1996. –Т.2.
5) Барский А. Б. Логические нейронные сети; Интернет-университет информационных технологий, Бином. Лаборатория знаний - Москва, 2007.
6) Тархов Д. А. Нейронные сети. Модели и алгоритмы. Книга 18; Радиотехника - Москва, 2005.
7) Галушкин, А.И. Нейронные сети: основы теории / А.И. Галушкин. - М.: ГЛТ, 2012.
8) Яхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М.: Бином. Лаборатория знаний, 2008.
9) Костин Н.С. Место модульных нейронных сетей в классификации искусственных нейронных сетей. Режим доступа: item.asp?id=20918252.
Дата обращения: 28.05.2019.


Приложения.



Рис.1. Входные данные объектов 1


Рис.2. Обучение объектов 1


Рис.3. Опрос объектов 1

Рис.8. Тестирование объекта 2 в Neural Planner.


Рис.9. Тестирование объекта 3 в Neural Planner.

Рис.10. Тестирование объекта 4 в Neural Planner.


Рис.11. Тестирование объекта 5 в Neural Planner.


Рис.12. Тестирование объекта 6 в Neural Planner.



Рис.15. Тестирование два объекта 2 в Neural Planner.


Рис.16. Тестирование два объекта 3 в Neural Planner.


Рис.17. Тестирование два объекта 4 в Neural Planner.


Рис.18. Тестирование два объекта 5 в Neural Planner.



Рис.19. Тестирование два объекта 6 в Neural Planner.


Рис.22. Тестирование три объекта 2 в Neural Planner.


Рис.23. Тестирование три объекта 3 в Neural Planner.

Рис.24. Тестирование три объекта 4 в Neural Planner.


Рис.25. Тестирование три объекта 5 в Neural Planner.


Рис.26. Тестирование три объекта 6 в Neural Planner.



Рис.29. Тестирование четыре объекта 2 в Neural Planner.


Рис.30. Тестирование четыре объекта 3 в Neural Planner.


Рис.31. Тестирование четыре объекта 4 в Neural Planner.



Рис.32. Тестирование четыре объекта 5 в Neural Planner.


Рис.33. Тестирование четыре объекта 6 в Neural Planner.


Рис.37. Обучение второй сети в NeuroPro.


Рис.38. Значимость входов второй сети.


Рис.40. Обучение третьей сети в NeuroPro.


Рис.41. Значимость входов третьей сети.


Рис.43. Обучение четвертой сети в NeuroPro.


Рис.44. Значимость входов четвертой сети.


Рис.46. Структура первой нейронной сети.


Рис.47. Структура второй нейронной сети.


Рис.48. Структура третьей нейронной сети.


Рис.49. Структура четвертой нейронной сети.



Перейти к полному тексту работы


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


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