science-review.ru
В монографии обобщен научный материал по моделированию искусственных нейронных сетей различной архитектуры. Приведены алгоритмы обучения однослойных и многослойных сетей прямого распространения, самоорганизующихся и рекуррентных сетей. Рассмотрено моделирование многоагентных систем на основе эволюционирующих нейронных сетей. Приводятся оригинальные методики визуализации внутреннего состояния обученной нейронной сети и решения задач классификации, категоризации, прогнозирования, восстановления зашумленной информации. Даны методологические основы проектирования нейросетевых модулей решения задач в виде компьютерных приложений. Приведены описания структур, интерфейсов и компьютерные коды основных блоков нейросетевых приложений.
В настоящее время искусственные нейронные сети (ИНС) используют при изучении сложных явлений и систем. Многие вопросы, связанные с практическим применением ИНС, исследованы недостаточно полно. Большинство работ узко специализированы и связаны с конкретной предметной областью. Теоретические обзоры по нейросетевому моделированию, как правило, не содержат практических рекомендаций по реализации нейросетевых алгоритмов.
Практически отсутствуют обзоры различных модификаций ИНС с методиками разработки компьютерных приложений для их апробации и исследования. Зачастую исследователи выбирают готовые инструментальные средства моделирования, которые, как правило, являются зарубежными коммерческими продуктами с закрытыми исходными кодами. В этом случае исследователю достается пассивная роль манипулятора настройками конфигурации и обучения сети.
В монографии обобщен накопленный автором опыт в области компьютерного моделирования ИНС и выработаны методики разработки нейросетевых приложений для решения широкого круга прикладных задач.
Автор монографии в популярной форме, но достаточно полно и всесторонне рассказывает о теоретических основах моделирования однослойных и многослойных ИНС прямого распространения, сетей с обратными связями, стохастических, самоорганизующихся и эволюционирующих нейронных сетей. Приводятся алгоритмы обучения искусственных нейронных сетей различной архитектуры, а также методики комбинирования градиентных и стохастических алгоритмов обучения для повышения эффективности решения практических задач.
В книге описаны оригинальные методики визуализации внутреннего состояния обученной нейронной сети и решения задач распознавания образов, классификации, категоризации, прогнозирования, восстановления зашумленной информации. Рассмотрено моделирование многоагентных систем на основе эволюционирующих нейронных сетей.
Автор дает рекомендации по методологическим основам проектирования нейросетевых модулей решения задач. В монографии обсуждаются основные этапы компьютерной реализации нейросетевых алгоритмов: инициализация сети, обучение сети, работа сети в режиме функционирования, оценка эффективности работы обученной сети. Приведены описания структур, интерфейсов и компьютерные коды основных блоков компьютерных приложений.
В книге описаны решения задач прогнозирования курсов валют, распознавания классов авторегрессионных облаков у больных мерцательной аритмией, классификации степени активности автономной нервной системы у здоровых людей, категоризации объектов жилой недвижимости, восстановления изображений с искажениями и шумами, моделирования двумерного виртуального мира.
Практической значимостью обладают результаты, в которых содержатся: методики проектирования автономных и интегрированных нейросетевых модулей решения практических задач; механизмы разработки нейросетевых приложений в компьютерных кодах; модели многоагентных систем на основе эволюционирующих искусственных нейронных сетей; алгоритмы решения задач медицинской диагностики; методы нейросетевого поиска центров информационных кластеров в пространствах входной информации; способы восстановления утраченных данных по эталонным образам, хранящимся в памяти ИНС; методики оценки эффективности нейросетевых моделей.
Материал монографии прошел апробацию во время чтения спецкурсов: «Компьютерные технологии в науке и образовании», «Нейросетевое моделирование», «Моделирование искусственных нейронных сетей в Delphi», «Математическое моделирование в научных исследованиях», которые автор преподавал студентам старших курсов Математического факультета и Факультета компьютерных наук в Воронежском государственном университете, а также аспирантам Института машиностроения и аэрокосмической техники в Воронежском государственном техническом университете.
Издание предназначено для научных работников, специализирующихся в области разработки автоматизированных систем искусственного интеллекта и когнитивного моделирования процессов принятия решений. В книге много практических рекомендаций по разработке и описанию ИНС, поэтому она будет интересна также студентам и аспирантам соответствующих специальностей.
Материал монографии может быть полезен при разработке отечественных компьютерных приложений в свободно распространяемых средах программирования на основе нейросетевых алгоритмов при исследовании математических моделей слабо структурированных и плохо формализуемых процессов.
Библиографическая ссылка
Хливненко Л.В. ПРАКТИКА НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ (МОНОГРАФИЯ) // Научное обозрение. Реферативный журнал. – 2016. – № 5. – С. 28-29;URL: https://abstract.science-review.ru/ru/article/view?id=687 (дата обращения: 21.12.2024).