Применение нейронных сетей.

История ИИ.

Можно выделить несколько шагов становления науки о ИИ:

  1. XIII век. Решение задач на базе всеобщей систематизации понятий.
  2. XVIII век. Попытка сотворения машины для символьных вычислений (Декарт и Лейбниц независимо). Была предложена систематизация всех наук.
  3. 40ые г.г. XX века. Возникновение кибернетики (Норберт Винер).

1956 г. - Возникновение термина AI (artificial intelligence) на Применение нейронных сетей. конференции, посвящённой решению логических задач.

Выделяют 2 направления развития теории ИИ:

  1. Моделирование деятельности людского мозга либо нейрокибернетика. Употребляются психические, нейрофизиологические исследования.
  2. Кибернетика чёрного ящика.

Кибернетика проходит последующие этапы:

  1. 50-е гг. XX века.

a) Решение задач выхода из лабиринта.

b) Оптимизации пути на графе.

c) Пятнашки.

d) Ханойская башня Применение нейронных сетей..

e) Шашки, шахматы.

f) Сочинение стихов, музыки.

g) Переводы с 1-го языка на другой.

  1. 60ые гг. Возникновение эвристического программирования.
  2. Конец 60ых гг. Возникновение способов логического программирования.

a) Способ резолюций – решение задач от оборотного.

b) Способ оборотного вывода

Возникновение первых языков ИИ на базе предложенных способов (Lisp, Prolog).

Возникновение моделей представления Применение нейронных сетей. познаний: семантической сети (Кулиан), Фреймовая модель (Минский).

  1. 1973 г. Конгресс в Англии о результатах вложение в исследования, на котором финансирование было сокращено, т.к. особенных результатов не было.
  2. 70ые гг. Финансирование в США работ по созданию ИИ.

Возникновение экспертных систем: по нефтеразведке, мед система (диагностика болезней и создание фармацевтических средств).

Внедрение нейронных Применение нейронных сетей. сетей в военной индустрии

  1. 80ые гг. ЕС начинает усиленное финансирование программки ESPRIT, в которую включена проблематика ИИ
  2. Проект по созданию компов 5го поколения в Стране восходящего солнца.

Были сделаны Lisp- и Prolog-процессоры и машины баз дынных и баз познаний.

Возникновение огромного количества профессионалов в области ИИ.

С Применение нейронных сетей. конца 80ых гг. происходит коммерциализация систем ИИ.

Главные направления развития ИИ.

  1. Фундаментальные исследования. Исследования деятельности мозга (институт мозга, психологии, лингвистики). Работы по совершенствованию шахматного микропроцессора.
  2. Наружняя интеллектуализация компов имеющейся архитектуры (определение текста, изображений, синтез речи, мультимедиа).
  3. Внутренняя интеллектуализация. Разработка новых компов, построенных на принципах ИИ.

a) Ориентация на символьную обработку Применение нейронных сетей..

b) Распараллеливание процессов, т.е. решение задач на нескольких микропроцессорах, создание распределённых приложений.

c) Аппаратная поддержка операций.

  1. Новые технологии в разных областях:

a) Автоматизация программирования.

b) Автоматизация исследований.

c) Когнитивная компьютерная графика, которая автоматизирует процессы в разных системах.

d) Создание.

  1. Создание ботов.

a) Спец вычислители

b) Сенсорные датчики.

c) Задачки движения.

d Применение нейронных сетей.) Принятие решений.

В текущее время выделяют последующие системы ИИ:

  1. Информационно-поисковые (вопросно-ответные).
  2. Расчётно-логические системы с ППП (MathCAD, MathLab, MathView).
  3. Экспертные системы. Работают по принципу “причинаàследствие” и “если àто”.
  4. Нейросистемы = программки + нейрочипы. Принцип обучения на примерах.
  5. Гибридные системы ИИ – употребляют комбинацию разных систем способов Применение нейронных сетей..

Препядствия ИИ.

  1. Центральная неувязка – представление познаний.

Данные (синтаксис) – интерпретация (семантика)

Модели представления познаний носят декларативно-процедурный нрав, т.е. в одной модели соединяются воединыжды синтаксическая и семантическая модели:

· Семантические сети.

· Фреймовые модели.

· Продукционные системы.

· Логические (добавляется нечёткая логика).

  1. Компьютерная лингвистика:

· Естественное языковое общение.

· Автоматический перевод.

  1. Компьютерная логика. Моделирование человечьих рассуждений и Применение нейронных сетей. принятия решений.
  2. Адаптация и упругость в решении задач. Возможность автоматического выбора подходящей модели, способа и метода решения задачки предметной области.

Нейронные сети.

Выделяют особенности мозга:

· Массовый параллелизм.

· Высочайшая организация связей.

· Распределённые вычисления.

· Толерантность к ошибкам в инфы.

· Контекстуальная обработка инфы.

· Низкое энергопотребление (употребляются химические сигналы с низким Применение нейронных сетей. потенциалом и тд).

· Адаптивность.

· Обучаемость.

Искусственные нейронные сети –это обобщенное заглавие нескольких групп алгоритмов и моделей, способных учиться на примерах, извлекая сокрытые закономерности из потока данных. Данные, поступающие на нейронную сеть, могут быть неполны и зашумлены.

Нейронная сеть способна автоматом настроиться на существующую связь меж данными.

Исторические этапы развития этой теории Применение нейронных сетей.:

  1. 1943 год – Был предложен искусственный нейрон (Макколокс, Питс).
  2. Начало 60-х годов – мультислойная нейронная сеть – перцепртрон (персепптрон) Розенблата. Основная мысль: преобразование входного места признаков в место признаков соответственных выходных сигналам.

Развитие работ пошло по направлению роста слоёв нейронной сети и организации связей меж слоями. Основная неувязка была в сходимости процесса обучения.

В Применение нейронных сетей. конце 60-х ученым Минским подтверждена аксиома об ограниченных способностях обучения перцептрона.

3. Начало 80-х годов, модель Хопфилда – это сеть специальной архитектуры с набором ограничений, что позволило создать метод обучения на базе минимизации энергии сети. Для мультислойного перцептрона Минским разработан метод оборотного распространения ошибки для обучения сети.

4. Конец 80-х годов и Применение нейронных сетей. по сегодняшний денек применение нейронных сетей для разных приложений, так как была подтверждена сходимость главных моделей, также получена применимая точность решения задач.

Применение нейронных сетей.

  1. Определение образов.
  2. Аппроксимация функций. Есть обучающая подборка, которая генерируется неведомой функцией, может быть искаженной шумом. Нужно отыскать оценку этой функции. Данная функция минимизирует среднеквадратическую ошибку во входных данных.
  3. Прогнозирование. Есть набор значений в поочередные моменты времени, нужно отыскать (предсказать) значение в некий момент времени.
  4. Задачки оптимизации. Оптимизация заключается в Применение нейронных сетей. максимизации либо минимизации мотивированной функции, которая удовлетворяет данным ограничениям.
  5. Ассоциативная память, другими словами память, адресуемая по содержанию. Данная память позволяет получить информацию по неформальному описанию близкому к естественному восприятию, например зрительный запрос.
  6. Решение задач управления (u(t), y(t)). Нужно в моменты времени производить такую последовательность управляющих сигналов, чтоб Применение нейронных сетей. выходные сигналы соответствовали данной модели.

Особенности:

  1. Нейронные сети позволяют также оценивать значимость разных видов инфы для мотивированного поведения.
  2. Не считая того, позволяют уменьшать объём входной инфы без утраты существенных данных.
  3. Система может реагировать на неординарные ситуации с учетом выделенных причин.


primenenie-teorij-prochnosti-dlya-raschetov.html
primenenie-toriya-i-ego-oksidnih-soedinenij.html
primenenie-uksusnogo-aldegida.html