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

14 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

76430. Критерий устойчивости Михайлова 37.19 KB
  Критерий устойчивости Михайлова. 21: чтобы замкнутая система была устойчивой необходимо и достаточно чтобы годограф характеристического многочлена замкнутой системы годограф Михайлова начинался на положительной части действительной оси и проходил последовательно в положительном направлении исключая точку начала координат n квадрантов комплексной плоскости где n – порядок характеристического уравнения. Графическое изображение годографов Михайлова для устойчивых и неустойчивых систем Практический пример Пусть характеристическое уравнение...
76431. КРИТЕРИЙ УСТОЙЧИВОСТИ НАЙКВИСТА 155.49 KB
  Предварительно должна быть определена устойчивость исследуемой системы в разомкнутом состоянии. Для неустойчивой разомкнутой системы нужно выяснить какое число корней ее характеристического полинома имеет положительные вещественные части. В одноконтурной системе составленной из последовательно соединенных звеньев корни характеристических полиномов этих звеньев являются одновременно корнями характеристического полинома разомкнутой системы. Если какоелибо звено в прямой цепи системы охвачено обратной связью то нужно определить корни...
76432. Структурные схемы систем автоматического управления 160.04 KB
  Структурная схема Структурная схема САУ схема САУ это изображение системы регулирования в виде совокупности динамических звеньев с указанием связей между ними. Структурная схема САУ может быть составлена на основе известных уравнений системы и наоборот уравнения системы могут быть получены из структурной схемы. Наименование Обозначение на структурной схеме Звено с одним входом Звено с двумя входами Узел разветвление Наименование Обозначение на структурной схеме Cумматор Элемент сравненияаналог сумматора Простейшие сочетания...
76433. Статические и астатические системы управления 21.21 KB
  В зависимости от принципа и закона функционирования ЗУ задающего программу изменения выходной величины различают основные виды САУ: системы стабилизации программные следящие и самонастраивающиеся системы среди которых можно выделить экстремальные оптимальные и адаптивные системы. обеспечивается неизменное значение управляемой величины при всех видах возмущений...
76434. Критерий управляемости САУ 24.47 KB
  Очевидно что эта система является неуправляемой так как управляющее воздействие влияет не на все переменные состояния переменная состояния не поддается управлению. Пусть описание САУ представлено в терминах пространства состояния САУ будет управляемой тогда и только тогда если матрица управляемости имеет ранг . порядок вектора состояния .
76435. Ответственность за несвоевременную уплату алиментов. Индексация алиментов 14.47 KB
  Индексация алиментов Индексация алиментов предусмотрена с целью защиты алиментных платежей от инфляции и предотвращения необходимости многократного обращения с иском об изменении размера алиментов выплачиваемых в твердой денежной сумме. Индексация возможна только для алиментов взыскиваемых в твердой денежной сумме. Индексация алиментов взыскиваемых по решению суда в твердой денежной сумме производится администрацией организации по месту удержания алиментов пропорционально увеличению установленного законом минимального размера оплаты труда.
76436. Выявление и учет детей, оставшихся без попечения родителей. Банк детей, оставшихся без попечения родителей 16.73 KB
  Банк детей оставшихся без попечения родителей Существуют различные обстоятельства в результате которых дети остаются без родительского попечения. Сведения о детях оставшихся без попечения родителей учитываются в специальном государственном банке данных в соответствии с Федеральным законом...
76437. Органы, осуществляющие защиту прав и интересов детей и способы устройства детей, оставшихся без попечения родителей 14.2 KB
  Защиту прав и интересов таких детей осуществляют специально уполномоченные государством органы опеки и попечительства. Эти органы ведут учет детей оставшихся без попечения родителей; исходя из конкретных обстоятельств утраты попечения родителей избирают формы их устройства; осуществляют последующий контроль за условиями их содержания воспитания и образования ст. Для своевременного выявления таких детей закон возлагает на должностных лиц учреждений которые непосредственно соприкасаются с детьми детских садов школ детских поликлиник и т.
76438. Усыновление. Понятие, значение, порядок усыновления 16.4 KB
  Понятие значение порядок усыновления Усыновление представляет собой правовой институт призванный создать между усыновителем и усыновленным отношения наиболее близкие к тем которые возникают между родителями и родными детьми. Усыновление или удочерение далее усыновление является приоритетной формой устройства детей оставшихся без попечения родителей п. Усыновление допускается в отношении несовершеннолетних детей и только в их интересах с соблюдением требований абзаца третьего пункта 1 статьи 123 СК РФ а также с учетом возможностей...