Файл: Нейронные сети.pdf

Далее редактирую функции принадлежности «топливо». Устанавливаю диапазон для переменной Range [0 24]. Задаю 3 функции принадлежности треугольной формы (trimf) с именами «маленький» Рагаms [0 4 8], «средний» Рагаms [8 12 16]), «большой» Рагаms [16 20 24].

Рис. 6.5 Редактирование функций принадлежности выходного сигнала «топливо»

Конструирую правила. Для создания правил, соответствующий пункт меню Edit→Rules. У меня в задаче три правила:

1. Если скорость низкая, температура низкая, то расход топлива маленький.

2. Если скорость средняя, температура низкая, то расход средний.

3. Если скорость высокая, температура высокая, то расход большой.

Рис. 6.6 Создание правил

Устанавливаю для каждого правила вес равный единице. На этом конструирование экспертной системы закончено.

Проверяю работу системы. Открываю через меню Wiew→Rules окно проссмотра правил и устанавливаю значения переменных: скорость=5 (т.е. медленная), температура=-20 (т.е. низкая). Увидим ответ: топливо=5,16 (т.е. низкий расход топлива).

Рис. 6.7 Проверка результатов

Проверяю другие варианты. Например, выяснится, что в моей системе отдается приоритет температуры, т.е. при высокой температуре и небольшой скорости расход топлива будет больше, чем при высокой скорости и низкой температуре: при выборе «скорость= 100, температура=-20» система система говорит, что расход 12(средний), в то время как набору «скорость=20, температура=30» расход топлива будет — 20(высокий).

Рис. 6.8 Проверка результатов

В подтверждение отмеченной зависимости выходной переменной от входных служит вид поверхности отклика, который представляется при выборе пункта меню View→Suгfасе.

Рис. 6.9 Диаграмма результатов

Заключение

В настоящей курсовой работе были рассмотрены история развития, теоретические аспекты функционирования нейронной сети и методы обучения нейронных сетей.

В самом начале в области моделирования процесса мышления произошло разделение на два независимых направления: логическое, с которым обычно ассоциируют термин «искусственный интеллект», и нейрокибернетическое, которое основывалось на построении самоорганизующихся систем, состоящих из множества элементов, подобных нейронам головного мозга.

Первый формальный нейрон Мак-Каллока и Питтса создавался по подобию с естественным нейроном.

Одной из первых искусственных сетей, способных к восприятию и формированию отклика, явился перцептрон Розенблатта. На данный момент существуют различные классификации многослойных нейронных сетей. По топологии выделяют три основных типа: полносвязные сети, многослойные или слоистые сети и слабосвязные сети. Среди слоистых сетей выделяют сети без обратных связей (прямого распространения) и сети с обратными связями. Это сети, у которых информация с последующих слоев передается на предыдущие, как например в сети Хопфилда.

Еще одна классификация делит искусственные нейронные сети на синхронные и асинхронные.

Алгоритмы обучения искусственных нейронных сетей разделяются на два класса. Обучение «с учителем» искусственной нейронной сети предполагает наличие множества учебных примеров, используемых для ''настройки'' сети, и второе множество контрольных примеров, для оценки качества работы сети. В 1959 году Ф.Розенблатт предложил метод обучения итерационной подстройкой матрицы весов, последовательно уменьшающей ошибку на выходе. Метод Видроу-Хоффа минимизирует функцию ошибки в пространстве весовых коэффициентов. Существует  метод обратного распространения ошибки, предложенный Д.Румельхартом в соавторстве, главная идея которого состоит в распространении сигналов ошибки от выходов сети к её входам.

Процесс обучения «без учителя», заключается в подстрройке весов синапсов, которая проводится только на его состояния и имеющиеся весовые коэффициенты, который учитывает только входные и производные от них сигналы. Алгоритм Кохонена – предусматривает подстройку синапсов на основании их значений от предыдущей итерации, а метод Хебба основывается на биологическом феномене обучения путем многократного повторения и привыкания.

Я получил практический навык применения нечеткой логики для решения прикладных задач используя модуль Fuzzy Logic Toolbox из программного комплекса MATLAB Fuzzy Logic Toolbox.

Библиография

1. Горбачевская Е.Н., Краснов С.С. «ИСТОРИЯ РАЗВИТИЯ НЕЙРОННЫХ СЕТЕЙ» Вестник Волжского университета имени В.Н. Татищева № 1 (23) 2015

2. Е.И. Горожанина «Нейронные сети» Учебное пособие Поволжский Государственный Университет телекоммуникаций и информатики г.Самара 2017г. стр.23

3. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных: — Москва, Горячая Линия - Телеком, 2008 г.- 392 с.