Разделы презентаций


Нейроинформатика.

Биологический нейрон Моделирование биологических нейронных сетей обоснованно и перспективно. Но для исследования НС необходимо иметь математическую модель биологического нейрона и биологической нейронной сети. Центральная нервная система имеет клеточное строение. Единица –

Слайды и текст этой презентации

Слайд 1Нейроинформатика

Нейроинформатика

Слайд 2Биологический нейрон
Моделирование биологических нейронных сетей
обоснованно и перспективно. Но для

исследования НС необходимо
иметь математическую модель биологического нейрона и
биологической

нейронной сети. Центральная нервная система имеет клеточное строение.
Единица – нервна клетка, нейрон.
Нейрон имеет следующие основные свойства:
1. Участвует в обмене веществ и рассеивает энергию. Меняет внутреннее
состояние с течением времени, реагирует на входные сигналы и
формирует выходные воздействия и поэтому является активной динамической
системой.
2. Имеет множество синапсов – контактов для передачи информации.
3. Нейрон взаимодействует путем обмена электрохимическими сигналами двух видов: электротоническими (с затуханием) и нервными импульсами (спайками), распространяющимися без затухания.
Существуют два подхода к созданию искусственных нейронных сетей.
Информационный подход: безразлично, какие механизмы лежат в основе работы искусственных нейронных сетей, важно лишь, чтобы при решении задач информационные процессы в НС были подобны биологическим.
Биологический: при моделировании важно полное биоподобие, и необходимо детально изучать работу биологического нейрона. Крупные работы в исследованиях биологических нейронных сетей принадлежат Эндрю Хаксли, Алану Ходжкину, Бернарду Катцу, Джону Экклзу, Стивену Куффлеру.
Биологический нейрон	Моделирование биологических нейронных сетей обоснованно и перспективно. Но для исследования НС необходимо иметь математическую модель биологического

Слайд 3Формальная модель нейрона МакКаллока Питтса
Первой формальной
моделью нейронных сетей (НС)


была модель МакКаллока-Питтса,
уточненная и развитая Клини.
Впервые было установлено,

что
НС могут выполнять любые логические операции и вообще любые преобразования, реализуемые дискретными устройствами с конечной памятью. Эта модель легла в основу теории логических сетей и конечных автоматов и активно использовалась психологами и нейрофизиологами при моделировании некоторых локальных процессов нервной деятельности. В силу своей дискретности она вполне согласуется с компьютерной парадигмой и, более того, служит её «нейронным фундаментом».
Формальная модель нейрона МакКаллока Питтса	Первой формальной моделью нейронных сетей (НС) была модель МакКаллока-Питтса, уточненная и развитая Клини.

Слайд 4Однослойная нейронная сеть
Простейшая нейронная сеть состоит из одного
слоя нейронов.


Слой нейронов — это такой набор нейронов,
на которые в каждый

момент времени параллельно
поступает информация от других нейронных элементов
сети.
Первый слой нашей сети, на который подаются
входные сигналы X1…Xn, играет роль распределительного слоя
нейронной сети. Каждый элемент распределительного слоя
нейронной сети имеет связи со всем нейронами следующего
слоя, называемого обрабатывающим слоем.
Заметим, что хотя сеть фактически и состоит из двух слоев, одна называется однослойной. Первый распределительный слой не считается, так как он не занят обработкой информации, а играет вспомогательную роль.
Такую нейронную сеть можно представить себе в виде черного ящика, у которого имеется n входов и m выходов. Кроме этого, имеется набор (матрица) весовых коэффициентов, общее количество которых равно произведению n на m.
Примечательно то, что, изменяя матрицу весовых коэффициентов, можно полностью изменять поведение сети, т.е. ее реакцию на те или иные комбинации входных сигналов.
Однослойная нейронная сеть	Простейшая нейронная сеть состоит из одного слоя нейронов. 	Слой нейронов — это такой набор нейронов, на

Слайд 5Персептрон Розенблатта
Другая структура нейронно
й сети, применяющаяся для
распознавания образов, называется


персептроном Розенблатта.
Такая сеть состоит из трех
слоев.
Слой, обозначенный как S1…Sn, 

это входной сенсорный слой. Его
назначение состоит в том, чтобы воспринимать входные сигналы.
Слой A1…Am называется ассоциативным. Именно здесь происходит непосредственная обработка информации.
Что же касается слоя R1…Rm, то он называется эффекторным, и служит для передачи выходных воздействий. Особенностью этого слоя является использование в нейронах пороговой функции активации.

Персептрон Розенблатта	Другая структура нейронной сети, применяющаяся для распознавания образов, называется персептроном Розенблатта.	Такая сеть состоит из трех слоев.	Слой,

Слайд 6Правило Хебба для обучения персептрона
Первое правило Хебба — Если сигнал

перцептрона неверен и равен нулю, то необходимо увеличить веса тех

входов, на которые была подана единица;
Второе правило Хебба — Если сигнал перцептрона неверен и равен единице, то необходимо уменьшить веса тех входов, на которые была подана единица.

Правило Хебба для обучения персептрона	Первое правило Хебба — Если сигнал перцептрона неверен и равен нулю, то необходимо

Слайд 7Многослойные нейронные сети
При исследовании
мозга было обнаружено
наличие в нем

слоистых
структур. С помощью
искусственных нейронов можно
моделировать такие структуры,


создавая многослойные
нейронные сети.
В каждом слое может
находиться разное количество
нейронов. При этом все входы нейронов следующего слоя соединены с выходами всех нейронов предыдущего слоя.
Все нейроны сети имеют свои наборы весовых коэффициентов. При моделировании весовые коэффициенты нейрона можно представить в виде массива. Аналогично, весовые коэффициенты всех нейронов одного слоя можно объединить в массив массивов.
Многослойные нейронные сети могут решать более сложные задачи, нежели однослойные.
Многослойные нейронные сети	При исследовании мозга было обнаружено наличие в нем слоистых структур. С помощью искусственных нейронов можно

Слайд 8Проблемы перспективы нейронных сетей
К основным проблемам нейронных сетей можно отнести:
Сложность

содержательной интерпретации смысла интенсивности входных сигналов и весовых коэффициентов ("проблема

интерпретируемости весовых коэффициентов").
Сложность содержательной интерпретации и обоснования аддитивности аргумента и вида активационной (передаточной) функции нейрона ("проблема интерпретируемости передаточной функции").
"Комбинаторный взрыв", возникающий при определении структуры связей нейронов, подборе весовых коэффициентов и передаточных функций ("проблема размерности").
"Проблема линейной разделимости", возникающая потому, что возбуждение нейронов принимают лишь булевы значения 0 или 1.

Проблемы перспективы нейронных сетей	К основным проблемам нейронных сетей можно отнести:Сложность содержательной интерпретации смысла интенсивности входных сигналов и

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика