Разделы презентаций


Лекция1.ppt

Содержание

Natural ComputingАлгоритмы коллективного разума(поведения): - роевые алгоритмы - муравьиные алгоритмы - алгоритмы движения частиц - бактериальные алгоритмыНовые перспективные направления:

Слайды и текст этой презентации

Слайд 1Natural Computing
Искусственные нейронные сети
Эволюционные методы:
- генетические алгоритмы

- генетическое программирование
- эволюционные стратегии

- эволюционное программирование
Клеточные алгоритмы ( автоматы )
Иммунные алгоритмы
Алгоритмы на основе нечеткой логики
Natural ComputingИскусственные нейронные сетиЭволюционные методы:   - генетические алгоритмы   - генетическое программирование

Слайд 2Natural Computing
Алгоритмы коллективного разума(поведения):
- роевые алгоритмы

- муравьиные алгоритмы
- алгоритмы

движения частиц
- бактериальные алгоритмы
Новые перспективные направления:
- квантовые вычисления (нейронные сети, компьютеры)
- ДНК – вычисления ( компьютеры )

Natural ComputingАлгоритмы коллективного разума(поведения):   - роевые алгоритмы    - муравьиные алгоритмы

Слайд 3Свойства ИНС :

1. Адаптивное обучение: способность улучшать свои характеристики,
заложенная в

том или ином алгоритме настройки параметров сети,
отрабатывающем предъявленные ей

обучающие последовательности либо
использующем имеющийся опыт;
2. Самоорганизация: ИНС способны изменять свою структуру (архитектуру)
или форму представления информации;
3. Обобщение: после окончания процесса обучения сеть может быть
нечувствительной и незначительным изменениям входных сигналов, что
позволяет применять ее при зашумленных либо не полностью заданных данных;
4. Вычисления в реальном времени: нейросетевые вычисления могут
осуществляться параллельно во времени, что существенно увеличивает
быстродействие ИНС;
5. Устойчивость к сбоям: частичное разрушение сети ведет к потере
качества, однако некоторые ее свойства сохраняются даже в случае разрушения
большей части сети.

Свойства ИНС :		1. Адаптивное обучение: способность улучшать свои характеристики,заложенная в том или ином алгоритме настройки параметров сети,

Слайд 4Некоторые основные события в новейшей истории ИНС:
1943 г. – появление

работы У. Маккаллоха и У. Питтса, в которой исследованы свойства

простейшей модели нейрона.

1949 г. – Д. Хэбб предлагает первое правило обучения ИНС.

1956 г. – первое компьютерное моделирование ИНС под руководством Н.Рочестера.

1969 г. – появление работы М. Минского и С. Пайперта, посвященной аналитическому исследованию свойств персептрона.

1974 г. – в диссертации П. Вербоса предложена процедура обучения многослойных сетей.

1987 г. – создание первого нейрочипа под руководством Дж. Хопфилда.
Некоторые основные события в новейшей истории ИНС:1943 г. – появление работы У. Маккаллоха и У. Питтса, в

Слайд 5
Рис. 1. Поверхность, описываемая уравнением (1), при β(k) =1.

где β(k)

– изменяемый во времени параметр, задающий степень
нестационарности.
(1)

Рис. 1. Поверхность, описываемая уравнением (1), при β(k) =1.где β(k) – изменяемый во времени параметр, задающий степеньнестационарности.(1)

Слайд 6Рис. 2. Поверхность, описываемая уравнением (1), при β(k) =0,1.

Рис. 2. Поверхность, описываемая уравнением (1), при β(k) =0,1.

Слайд 7
Рис. 3. Поверхности, восстановленная с помощью 36 сетей РБО

Рис. 3. Поверхности, восстановленная с помощью 36 сетей РБО

Слайд 8
(2)

Рис. 4. Поверхность, восстановленная с помощью МП.

(2)Рис. 4. Поверхность, восстановленная с помощью МП.

Слайд 9

г) слой 3

д) слой 4

Рис.5.

Кодирование изображения с помощью сети СМАС


а)



б) слой 1

в) слой 2


г) слой 3

Слайд 10
Рис.6 Схема идентификации

Рис.6 Схема идентификации

Слайд 11
Рис.7. Нейросетевая модель

Рис.7. Нейросетевая модель

Слайд 12
Рис.7. Структура системы адаптивного управления

Рис.7. Структура системы адаптивного управления

Слайд 13
.

(3)

а)

б)

Рис. 8 Результаты идентификации нелинейного объекта (3)

.

Слайд 14
Рис. 9. Результаты управления нелинейным объектом (3)

Рис. 9. Результаты управления нелинейным объектом (3)

Слайд 15

а) Зашумленный сигнал б) ρ = 5

в) ρ

= 20.
Рис. 10 Фильтрация сигнала sin(x)

а) Зашумленный сигнал			б) ρ = 5в) ρ = 20.Рис. 10 Фильтрация сигнала sin(x)

Слайд 16

а)

б)




в) ρ=40

г) ρ=20 д) ρ=10 е) ρ=5

Рис. 11. Фильтрация изображений
а) 	          б)→→→

Слайд 17Рис. 12 – Исходное (а) и сжатое при помощи СОК

(б) изображение

Рис. 12 – Исходное (а) и сжатое при помощи СОК (б) изображение

Слайд 18Рис. 13. Модель З.Фрейда

Рис. 13. Модель З.Фрейда

Слайд 19Рис. 14. Карта коры головного мозга человека

Рис. 14. Карта коры головного мозга человека

Слайд 20Рис. 15. Специализация зон коры мозга

Рис. 15. Специализация зон коры мозга

Слайд 21Рис. 16. Нейрон

Рис. 16. Нейрон

Слайд 22Рис. 17. Синапс

Рис. 17. Синапс

Слайд 23Рис. 18. Виды синапсов

Рис. 18. Виды синапсов

Слайд 24Рис. 19. Процесс распространения импульса

Рис. 19. Процесс распространения импульса

Слайд 25Рис. 20. Многоуровневая организация центральной нервной системы

Рис. 20. Многоуровневая организация центральной нервной системы

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