49074

Применение нейронных сетей для принятия решений

Курсовая

Информатика, кибернетика и программирование

Существует множество областей применения искусственного интеллекта: принятие решений доказательства теорем игры творчество распознавание образов обработка данных на естественном языке обучающиеся сети нейросети и т. Мой выбор обусловлен стремлением узнать эффективно ли использовать нейросети при принятии решений об освобождении от оплаты за обучение учащихся детских школ искусств. Цель данной курсовой работы заключается в том чтобы показать...

Русский

2013-12-20

288.5 KB

18 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра информатики

КУРСОВАЯ РАБОТА

по дисциплине

«Интеллектуальные информационные системы»

Тема: «Применение нейронных сетей для принятия решений»

                                                   

ИСПОЛНИТЕЛЬ: студент  гр. 1233

Клементьева А.В.

НАУЧНЫЙ  РУКОВОДИТЕЛЬ:

Ясницкий Леонид Нахимович

Пермь 2007


Содержание

[1]
Содержание

[2]
Глава 1. Нейросетевые технологии: основные положения

[2.1] 1.1. Сущность нейросетей

[2.2] 1.2. Нейросимулятор

[3]
Глава 2. Практическое применение нейронных сетей для принятия решений

[3.1] 2.1. Постановка задачи

[4] Для  решения поставленной  задачи будем использовать нейросимулятор студента IV курса ПГУ Черепанова Ф., основанный на нейронной сети  с 11-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя рано четырем, т.к. согласно рис.1., число нейронов, равное 4, является оптимальным.

[4.1]
2.2. Анализ полученных результатов

[5]
Заключение

[6]
Список используемой литературы


Введение

«Искусственный интеллект – это раздел информатики, посвященный моделированию интеллектуальной деятельности человека. Сегодня - это обширная область исследований и разработок интеллектуальных систем, предназначенных для работ в трудно формализуемых областях деятельности человека.  Для задач, решаемых методом искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, жить не зависящей от воли разработчика жизнью»1.

Существует множество областей применения искусственного интеллекта: принятие решений,  доказательства теорем, игры, творчество, распознавание образов, обработка данных на естественном языке, обучающиеся сети (нейросети) и т.п.

Остановимся на рассмотрении нейросетевых технологий для принятия решений. В сегодняшнем потоке информации бывает весьма сложно принять правильное решение в рассмотрении определенного вопроса. Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат.

Для своей курсовой работы я выбрала тему «Применение нейросетевых технологий для принятия решений». Мой выбор обусловлен стремлением узнать, эффективно ли использовать нейросети при принятии решений об освобождении от оплаты за обучение учащихся детских школ искусств.

Цель данной курсовой работы заключается в том, чтобы показать, можно ли использовать нейронные сети для принятия решения об освобождении от родительского целевого взноса за обучение детей, учащихся в Детских Школах Искусств, и эффективно ли применение нейронных сетей для разрешения данного вопроса.

Для достижения поставленной цели нужно решить следующие задачи:

-      раскрыть сущность искусственного интеллекта;

-      обучить один из нейросимуляторов;

-  выявить, эффективно ли применять нейросети для принятия решения об освобождении от родительского целевого взноса за обучение детей, учащихся в Детских Школах Искусств на примере МОУ ДОД «Детская Школа Искусств п.Майский»;

-  вывести закон, показывающий,  как меняется решение от изменения определенного параметра.

Предметом исследования является развитие применения нейросетей для принятия решений.


Глава 1. Нейросетевые технологии: основные положения

1.1. Сущность нейросетей

После двух десятилетий почти полного забвения интерес к искусственным нейронным сетям быстро вырос за последние несколько лет. Специалисты из таких далеких областей, как техническое конструирование, философия, физиология и психология, заинтригованы возможностями, предоставляемыми этой технологией, и ищут приложения им внутри своих дисциплин.

Это возрождение интереса было вызвано как теоретическими, так и прикладными достижениями. Неожиданно открылись возможности использования вычислений в сферах, до этого относящихся лишь к области человеческого интеллекта, возможности создания машин, способность которых учиться и запоминать удивительным образом напоминает мыслительные процессы человека, и наполнения новым значительным содержанием критиковавшегося термина «искусственный интеллект».

«Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга»2. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.


Как работает нейронная сеть 

Искусственная нейронная сеть (ИНС, нейронная сеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети.

Практически любую задачу можно свести к задаче, решаемой нейронной сетью.

Как постороить нейронную сеть

Этот вопрос решается в два этапа:

  1.  Выбор типа (архитектуры) нейронной сети
  2.  Подбор весов (обучение) нейронной сети

На первом этапе следует выбрать следующее:

  •  какие нейроны мы хотим использовать (число входов, передаточные функции);
  •  каким образом следует соединить их между собой;
  •  что взять в качестве входов и выходов нейронной сети.

Эта задача на первый взгляд кажется необозримой, но, к счастью, нам необязательно придумывать нейронную сеть "с нуля" - существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически. Наиболее популярные и изученные архитектуры - это многослойный персептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена и другие.

На втором этапе следует "обучить" выбранную нейронную сеть, то есть подобрать такие значения ее весов, чтобы она работала нужным образом. Необученная нейронная сеть подобна ребенку - ее можно научить чему угодно. В используемых на практике нейронных сетях количество весов может составлять несколько десятков тысяч, поэтому обучение - действительно сложный процесс. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса нейронной сети определенным образом. Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки (Error Back Propagation), используемый, например, для обучения персептрона.

Обучение нейронных сетей

    Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту. Показав ребенку изображение буквы "А", мы спрашиваем его: "Какая это буква?" Если ответ неверен, мы сообщаем ребенку тот ответ, который мы хотели бы от него получить: "Это буква А". Ребенок запоминает этот пример вместе с верным ответом, то есть в его памяти происходят некоторые изменения в нужном направлении. Мы будем повторять процесс предъявления букв снова и снова до тех пор, когда все 33 буквы будут твердо запомнены. Такой процесс называют "обучение с учителем".

Рис.1. Процесс обучения нейросети

При обучении нейронной сети мы действуем совершенно аналогично. У нас имеется некоторая база данных, содержащая примеры (набор рукописных изображений букв). Предъявляя изображение буквы "А" на вход нейронной сети, мы получаем от нее некоторый ответ, не обязательно верный. Нам известен и верный (желаемый) ответ - в данном случае нам хотелось бы, чтобы на выходе нейронной сети с меткой "А" уровень сигнала был максимален. Обычно в качестве желаемого выхода в задаче классификации берут набор (1, 0, 0, ...), где 1 стоит на выходе с меткой "А", а 0 - на всех остальных выходах. Вычисляя разность между желаемым ответом и реальным ответом сети, мы получаем 33 числа - вектор ошибки. Алгоритм обратного распространения ошибки - это набор формул, который позволяет по вектору ошибки вычислить требуемые поправки для весов нейронной сети. Одну и ту же букву (а также различные изображения одной и той же буквы) мы можем предъявлять нейронной сети много раз. В этом смысле обучение скорее напоминает повторение упражнений в спорте - тренировку.

Оказывается, что после многократного предъявления примеров веса нейронной сети стабилизируются, причем нейронная сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что  "нейронная сеть обучена". В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению на новых данных.
    Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Так, например, бессмысленно использовать нейронную сеть для предсказания финансового кризиса, если в обучающей выборке кризисов не представлено. Считается, что для полноценной тренировки нейронной сети требуется хотя бы несколько десятков (а лучше сотен) примеров.
Обучение нейронных сетей - сложный и наукоемкий процесс. Алгоритмы обучения нейронных сетей имеют различные параметры и настройки, для управления которыми требуется понимание их влияния.

1.2. Нейросимулятор

Сегодня на рынке программного обеспечения есть много различных нейросимуляторов. Толковый нейросимулятор легко приспособить для решения практических задач на персональном компьютере, если не требуется производить вычисления как можно быстрее. Существуют симуляторы, поддерживающие нейроускорители - платы с процессорами цифровой обработки сигналов (DSP). Признаком добротного симулятора является подробное описание по применению с вводным курсом в теорию НС плюс техническая поддержка. Самые продвинутые симуляторы позволяют конструировать НС с экзотическими архитектурами и применять алгоритмы обучения, разработанные пользователем, а также обеспечивают мощное графическое отображение поведения НС при обучении и, если верить рекламе, генерируют исходный код на Си++. У «продвинутых», как и следовало ожидать, единственный недостаток - заоблачная цена.

Другой отряд нейросетевого «персонального» программного обеспечения ориентирован на тугие кошельки и оптимизирован под выполнение конкретных задач. Наиболее распространены предназначенные для финансистов нейропредсказатели платежеспособности, банкротства и т. п. Кроме того, есть промышленное нейросетевое ПО, эксклюзивное, по сути и назначению, намертво взаимосвязанное со специализированным «железом». Последнее осуществляет предварительную обработку поступающих извне сигналов, передает полученные данные (образы) на вход НС, ускоряет функционирование самой НС и выводит готовую информацию в нужном виде. Возможность работы в реальном времени достигается посредством параллельных вычислений с использованием нейропроцессоров или же путем запараллеливания нескольких стандартных DSP. В некоторых случаях одного DSP оказывается достаточно, благо эти процессоры буквально «рождены» для НС, выполняя за один такт операцию умножения с накоплением суммы - наиболее часто используемую операцию в алгоритме любой нейросети. Дополнительные же DSP берут на себя ускорение вычислений на этапе предварительной обработки. Впрочем, на этом этапе НС пока используются больше в исследовательских целях, поскольку реализация совместной (особенно одновременной) работы нескольких НС разного типа не так проста, как казалось ранее.

Для своего исследования я использовала нейросимулятор, созданный студентом IV курса ПГУ Черепановым Ф. (Рис.2.)

Рис.2. Нейросимулятор студента ПГУ

На вкладке «Проектирование сети» указываются: тип активационной функции у каждого слоя сети, число нейронов входного и выходного слоя сети, а также число скрытых слоев. На вкладке «Обучение» загружается выборка, используемая для обучения, также здесь задается число итераций обучения и скорость обучения, а уже на вкладке «Вычисления» вводятся входные параметры для проверки работы нейросимулятора.

Основной принцип работа этого нейросимулятора: сигналы, поступающие на входы Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию.

Итак,  в настоящее время существуют методы, алгоритмы и устройства, которые позволяют нам довольно неплохо решать различные прикладные задачи. В рамках данной главы мы рассмотрели основные положения нейросетевых технологий: определения, как работает нейронная сеть, как построить нейронную сеть, обучение нейросетей. Также рассмотрели пример нейросимулятора, созданного студентом ПГУ.


Глава 2. Практическое применение нейронных сетей для принятия решений

2.1. Постановка задачи

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат. Принятие решений – это задача, которая не имеет определенных правил. В решении этого вопроса важно сделать правильный выбор, что зачастую бывает очень сложно. Поэтому рассмотрим применение нейросетевых технологий для принятия решений об освобождении от родительского целевого взноса за обучение детей, учащихся в Детских Школах Искусств (ДШИ) на примере МОУ ДОД «Детская Школа Искусств п.Майский».

«В последнее время мы все чаще сталкиваемся с беспризорностью детей не только из ассоциативных, но и из вполне благополучных семей»3. Вызывает тревогу проблема НУВЭРС-а (Необратимость угасания возможностей эффективного развития способностей у детского населения).

Задача ДШИ заключается в том, чтобы привлечь в контингент обучающихся как можно большее количество детей. Целью ДШИ является реализация творческого потенциала учащихся школы, привлечение детей участвовать  в общественной жизни школы, в концертной деятельности, в конкурсах и фестивалях различного уровня.

Администрация муниципального района приняла решение о финансовой поддержке отдельных категорий учащихся ДШИ: одаренных активных детей и детей – сирот. Дети данной категории имеют возможность учиться в ДШИ бесплатно.

Педагогический совет во главе с директором (далее педсовет) принимает решение о том, кого из учащихся ДШИ освободить от родительского целевого взноса за обучение.

Зачастую разобраться в том, кто действительно одаренный ребенок, бывает трудно. Нейросети могут помочь в решении данной проблемы.

Задача состоит в том, чтобы с помощью нейронных сетей определить является ли учащийся тем, кого следует освободить от оплаты за обучение (одаренные активные дети и дети-сироты).

Выясним, какие параметры наиболее существенно влияют на принятие решения в данном случае.

На педсовете рассматривают такие данные об учащемся как, возраст, социальное и материальное положение семьи. Необходимыми факторами, которые учитывает педсовет при принятии решения являются: успеваемость учащегося (средний балл), участие в общественной жизни школы, концертной деятельности, в конкурсах и фестивалях различного уровня.

Мы получили достаточное число параметров для решения поставленной задачи.

Так как параметры, описывающие предметную область, имеют разнообразный характер, то всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

Рассмотрим параметр «пол». Под 1 будем подразумевать – мужской пол, а под 2 –  женский.  Параметр «социальное положение семьи»: 0 – полная семья, 1 – один родитель, 2 – родитель – инвалид, 3 – многодетная семья, 4 – ребенок – сирота. Параметр «материальное положение семьи»: 0 – малообеспеченная, 1 – материально обеспеченная, и т.д.

Ниже приводится список параметров:

X1- пол; 

  1.  мужской;
  2.  женский;

X2 - возраст;

X3 – средний балл;

X4 – социальное положение семьи:

        0 – полная семья,

        1 – один родитель,

        2 – родитель – инвалид,

        3 – многодетная семья,

        4 – ребенок – сирота;

X5 – материальное положение семьи:

       0 – малообеспеченная семья,

       1 – материально обеспеченная;

X6 – участие во Всероссийских конкурсах:

       0 – нет,

       1 – да;

X7 – участие в краевых конкурсах:

        0 – нет,

        1 – да;

X8 – участие в муниципальных, районных конкурсах и фестивалях:

        0 – нет,

        1 – да;

X9 – участие в городских конкурсах:

        0 – нет,

        1 – да;

X10 – участие в общественной жизни школы

        0 – нет,

        1 – да;

X11 – концертная деятельность:

        0 – неактивная,

        1 – активная.

Выходным параметром является ответ на вопрос: освобождать ли от родительского взноса за обучение этого учащегося:

Y – принятие решения:

0 – не освобождать,

1 – освобождать.

Ниже приведена обучающая выборка, составленная на реальных данных. Данные были получены из анализа принятия решений о данном вопросе в МОУ ДОД «Детская школа искусств п.Майский».

Обучающая выборка

 

Х1

Х2

Х3

Х4

Х5

Х6

Х7

Х8

Х9

Х10

Х11

Y

1

1

15

5

3

0

1

1

1

1

1

1

1

2

2

6

5

1

1

0

0

0

1

1

1

1

3

2

15

5

0

1

1

1

1

1

1

1

1

4

2

15

5

1

1

0

0

1

0

1

1

1

5

2

14

5

0

1

0

0

1

1

1

1

1

6

1

9

5

0

1

1

1

1

0

1

1

1

7

1

8

5

2

1

0

0

0

0

1

1

0

8

1

11

4

0

1

0

0

1

1

1

0

0

9

2

13

4

0

1

0

0

1

0

1

0

0

10

1

12

4

0

1

0

0

0

0

0

0

0

11

2

12

3

0

1

0

1

0

1

0

1

0

12

2

10

5

0

1

0

0

0

0

1

0

0

13

2

10

4

0

1

0

0

0

0

1

0

0

14

2

9

4

0

1

0

0

0

0

1

0

0

15

2

14

5

0

1

0

0

0

0

0

1

0

16

2

13

5

0

1

0

0

1

1

1

1

1

17

2

12

4

0

1

0

0

0

0

1

1

0

18

2

11

5

1

1

0

0

0

0

1

1

1

19

1

9

3

4

0

0

0

0

0

0

0

1

20

2

6

4

4

0

0

0

0

0

1

0

1

21

1

12

4

0

1

0

1

0

0

1

1

0

22

2

14

5

0

1

0

1

0

0

0

1

0

23

1

14

4

0

0

0

0

0

0

1

0

0

24

1

6

5

1

0

0

0

0

1

1

1

1

25

1

10

5

3

1

0

0

1

1

1

1

1

26

1

11

5

0

1

1

1

1

1

1

1

1

27

2

12

4

0

1

0

0

0

1

1

0

0

28

1

14

5

2

0

0

0

1

1

1

1

1

29

1

15

5

0

1

1

1

1

1

1

1

1

30

1

6

5

4

0

0

0

1

1

1

1

1

31

1

7

4

0

1

0

0

0

0

1

0

0

32

2

10

3

0

1

0

0

0

0

1

1

0

33

2

13

4

1

0

0

1

1

1

1

1

1

34

1

12

4

4

0

0

0

1

0

0

1

1

35

2

8

3

0

1

0

0

0

1

0

1

0

36

1

11

4

0

1

0

0

0

0

1

1

0

37

1

8

4

0

1

0

0

0

0

1

1

0

38

1

6

5

0

1

0

0

1

0

1

1

1

39

2

7

4

1

0

0

1

1

1

1

1

1

40

1

13

3

4

0

0

0

1

1

1

1

1

В тестируемой выборке приведены данные, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Тестируемая выборка

 

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

Y

1

1

6

5

1

1

0

0

1

1

1

1

1

2

1

8

4

4

0

0

0

0

1

0

1

1

3

2

10

5

3

0

0

1

1

0

1

1

1

4

1

11

4

0

1

0

0

0

0

1

1

0

5

2

7

5

0

1

1

1

1

1

0

1

1

6

1

13

3

0

1

0

0

0

0

1

0

0

7

2

12

4

1

1

0

0

0

0

1

1

0

8

2

9

5

2

0

0

0

1

1

1

1

1

9

1

10

3

0

1

0

0

0

0

1

0

0

10

2

15

4

1

1

0

0

0

0

1

0

0

«При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было».4 Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке – погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает.

Характерные кривые зависимости погрешностей обучения и обобщения от числа нейронов внутренних слоев персептрона приведены на рис.1

Рис.1. Кривые зависимости погрешностей обучения и обобщения от числа нейронов внутренних слоев

Для  решения поставленной  задачи будем использовать нейросимулятор студента IV курса ПГУ Черепанова Ф., основанный на нейронной сети  с 11-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя рано четырем, т.к. согласно рис.1., число нейронов, равное 4, является оптимальным.


2.2. Анализ полученных результатов

Проанализировав работу нейросимулятора и  полученные результаты, можно сделать вывод, что нейросимулятор выдал модельные значения, близкие к практическим. На гистограмме 1 показаны соотношения между теоретическими и модельными значениями.

Гистограмма 1. Соотношение между теоретическими и модельными значениями из тестируемой выборки.

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что эффективно использовать персептрон для принятия решений об освобождении от родительского целевого взноса за обучение учащихся в ДШИ.

Рассмотрим, влияют ли на принятие данного решения некоторые параметры, например возраст учащегося.  Можно вывести закон зависимости принятия положительного решения от возраста учащегося (рис.2).

Рис.2. Зависимость принятия решения от возраста учащегося

На рис.2 показана зависимость принятия решения о бесплатном обучении детей в ДШИ от возраста ребенка. Проанализировав график, я сделала вывод, что увеличивая возраст, но оставляя прежними другие параметры, мы видим, что у учащихся снижается возможность получить бесплатное обучение. Это действительно так: у шестилетнего ребенка нет возможности участвовать в конкурсах и фестивалях крупного масштаба, а у более взрослых детей такая возможность есть, и если они не участвуют, то шансы получить бесплатное обучение в ДШИ снижаются.


Заключение

Подведём итог проделанной работы.

В первой части работы я обобщила знания в области нейросетевых технологий.

Во второй части работы я показала применение на практике нейросети. С помощью персептрона студента ПГУ я доказала возможность использования нейронный сетей для принятия решений об освобождении от родительского взноса за обучение учащихся Детских Школ Искусств на примере МОУ ДОД «ДШИ п.Майский».

Я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Следовательно, применение нейросетевых технологий в выбранной области можно считать эффективным.

С помощью персептрона я вывела закон о зависимости принятия положительного решения в данном вопросе от возраста учащегося: увеличивая возраст, но оставляя прежними другие параметры, у учащихся снижается возможность получить бесплатное обучение.

Проведенная работа показывает, что использование персептрона для принятия решений эффективно использовать особенно тогда, когда следует сделать выбор, учитывая большое количество параметров.


Список используемой литературы

Литература

  1.  Ясницкий Л.Н.Введение в искусственный интеллект:Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005.
  2.  Романов В. П. Интеллектуальные информационные системы / Под ред.д.э.н., проф. Н.П.Тихомирова. – М.: Издательство «Экзамен», 2003.
  3.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.

Периодические издания

  1.  Газета «Благое Дело» / Общественно-политическая газета. №6 (31) июнь, 2007.

Ссылки на ресурсы Интернет

  1.  offline.computerra.ru –  Нейросимуляция – Журнал «Компьютера»
  2.  artint.ru – Российский НИИ Искусственного интеллекта
  3.  raai.org – Российская ассоциация искусственного интеллекта
  4.  neuroshell.forekc.ru
  5.  neuroproject.ru
  6.  neuronet.narod.ru

1

 

А также другие работы, которые могут Вас заинтересовать

42307. Дослідження розімкнутої лінійної системи за допомогою середовища MATLAВ 123 KB
  Він повинен включати назва предмета номер і назва лабораторної роботи прізвище та ініціали авторів номер групи прізвище та ініціали викладача номер варіанта короткий опис досліджуваної системи результати виконання всіх пунктів інструкції які виділені сірим фоном див. Визначте смугу пропускання системи найменшу частоту на якій АЧХ стає менше ніж дБ. Побудуйте модель системи в просторі стану.
42308. Хранимые процедуры в MySQL 94 KB
  Введение Хранимые процедуры один из наиболее мощных инструментов предлагаемых разработчикам приложений баз данных MySQL для реализации бизнеслогики. Хранимые процедуры англ stoied proceduies позволяют реализовать значительную часть логики приложения на уровне базы данных и таким образом повысить производительность всего приложения централизовать обработку данных и уменьшить количество кода необходимого для выполнения поставленных задач. Помимо этих широко известных преимуществ использования хранимых процедур общих для большинства...
42309. ОПРЕДЛЕНИЕ УСКОРЕНИЯ СИЛЫ ТЯЖЕСТИ С ПОМОЩЬЮ УНИВЕРСАЛЬНОГО МАЯТНИКА 246 KB
  Пусть – длина нити маятника т – его масса. Если пренебречь силами сопротивления движению то на тело маятника действуют две силы: сила тяжести и натяжение нити . В проекции на направление касательной уравнение движения маятника запишется так: 1 Знак минус возникает потому что проекция силы противоположна направлению отклонения...
42310. ОПРЕДЕЛЕНИЕ ОПТИЧЕСКИХ ХАРАКТЕРИСТИК ОКРАШЕННЫХ РАСТВОРОВ И РАССЕИВАЮЩИХ СРЕД 995.5 KB
  Изучение особенностей прохождения света через оптически однородные и неоднородные среды. КРАТКИЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ При прохождении света через среды и через растворы в частности происходит уменьшение его интенсивности вследствие взаимодействия световой волны с частицами вещества. Такое ослабление света называется экстинкцией. Экстинция обусловлена двумя причинами: поглощением и рассеянием света.
42311. ОПРЕДЕЛЕНИЕ КОНЦЕНТРАЦИИ РАСТВОРОВ С ПОМОЩЬЮ КРУГОВОГО ПОЛЯРИМЕТРА 301 KB
  Исследование процесса поляризации света при прохождении его через растворы определение концентрации оптически активного раствора по величине угла поворота плоскости поляризации. Если колебания светового вектора происходят только в одной проходящей через луч плоскости свет называется плоско или линейно поляризованным. Это приборы которые свободно пропускают колебания параллельные плоскости поляризатора и полностью или частично задерживают колебания перпендикулярные его плоскости. Поляризатор частично...
42312. ОПРЕДЕЛЕНИЕ КАЧЕСТВА ОБРАБОТКИ ПОВЕРХНОСТИ С ПОМОЩЬЮ МИКРОИНТЕРФЕРОМЕТРА 672.5 KB
  Теория и опыт неопровержимо свидетельствуют что свет представляет собой электромагнитные волны диапазона 040106 – 076106 метров. Электромагнитные волны – поперечные характеризуются колебанием двух векторов: напряженности электрического поля и магнитной индукции . Колебания электрической и магнитной составляющих поля световой волны происходят в одинаковых фазах во взаимно перпендикулярных плоскостях. Как показывает исследование векторы и единичный вектор направления вдоль которого происходит распространение волны образуют...
42313. ОПРЕДЕЛЕНИЕ ГРАНИЦ СПЕКТРА БЕЛОГО СВЕТА С ПОМОЩЬЮ ДИФРАКЦИОННОЙ РЕШЕТКИ 1.49 MB
  Волновая поверхность падающей волны плоскость щели и экран параллельны друг другу. Поскольку щель бесконечна картина наблюдаемая в любой плоскости перпендикулярной к щели будет одинакова. Разобьем открытую часть волновой поверхности на параллельные краям щели элементарные зоны ширины . Ее можно найти проинтегрировав по всей ширине щели : .
42314. ИЗУЧЕНИЕ ДИСПЕРСИИ СВЕТА 735.5 KB
  Наблюдение дисперсии света определение зависимости показателя преломления от длины волны светового излучения для конкретного вещества. КРАТКИЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ Одним из наиболее давно известных человеку оптических эффектов является преломление света заключающееся в том что при переходе через границу двух сред луч света скачком меняет свое направление как бы претерпевает излом. Преломление света характеризуется относительным показателем преломления.
42315. ИССЛЕДОВАНИЕ РЕЗОНАНСНЫХ ЯВЛЕНИЙ В ЭЛЕКТРИЧЕСКИХ ЦЕПЯХ 735.5 KB
  Падение напряжения на конденсаторе . Для тока в катушке имеем: сдвиг фаз между током в контуре и напряжением на конденсаторе составляет π 2 ток опережает по фазе напряжения на конденсаторе на π 2 рис. Для напряжения закон изменения имеет вид: При колебаниях происходит периодический переход электрической энергии конденсатора в магнитную энергию катушки . Для определения напряжения на конденсаторе разделим 1 на С имеем Чтобы найти закон изменения силы тока продифференцируем 1 по времени: Обозначим...