Моделирование на основе нейронных сетей. Этапы и примеры Текст научной статьи по специальности «Компьютерные и информационные науки»

Информационное агентство INNOV.RU | Вторник, 28 марта 2017 г 13:52

СТАРТ ПРОДАЖ Д0М№6

ж irar г ж НН £ I шШШ

П0СМ0ТРЕ1

Проектная декларац Застройщик С

INNOV

РОСС И ИСК И И БИЗНЕС ON-LINE

Иннов: электронный научный журнал

Главная страница журнала Экономические науки

Технические науки

О журнале Редакция Общая лента Выпуски

Опубликовать статью. Авторам

Яндекс.Директ

Заработать на бирже может каждый!

Проверьте свои силы без вложений! Откройте демо-счетс с бонусом до 100000р.

Бесплатное обучение Брокерский счет + 18,25%

Тариф брокера 0,0177% finam.ru Адрес и телефон

Моделирование на основе нейронных сетей. Этапы и примеры Modeling based on neural networks. Stages and examples

МАРТ БЕЗ БАР

6ЕШ/1АТ,

УДК 004.8 16.02.12 14:08

С 924

Выходные сведения: Волков М.В. Моделирование на основе нейронных сетей. Этапы и примеры // Иннов: электронный научный журнал, 2012. №1 (10). URL: http://www.innov.ru/science/tech/modelirovanie-na-osnove-neyronnykh-/

Авторы:

М.Б. Волков (НГТУ им. Р.Е. Алексеева) Authors:

M.B. Volkov (NSTU named after R.E. Alekseeva)

Ключевые слова: моделирование, нейронные сети, искусственные нейронные сети, ИНС, алгоритм обучения

Keyword: modeling, neural networks, artificial neural networks, ANN, learning algorithm

Аннотация:

Наиболее эффективно применение ИНС в задачах, для которых известные алгоритмы и методы решения оста относительно трудоемкими.

Annotation: The most effective use of ANN in the tasks for which the well-known algorithms and methods are relativ solutions.

Искусственные нейронные сети (ИНС) являются достаточно универсальным средством моделирования широкого класса задач управления и экономики. Реализованы нейронные сети либо в виде отдельных специализированных пакетов таких как, например, NeuroPro, BrainMaker, NeuroSolutions, Neural Planner, Neuro Shell, Wizard, либо в виде приложений к таким системам, как MathLab и Statistics. Наиболее эффективно применение ИНС в задачах, для которых известные алгоритмы и методы решения остаются относительно трудоемкими [1, 2, 3] .

В этом случае целесообразно использовать процедуры

моделирования на основе нейронных сетей, содержащие вне зависимости от класса решаемой задачи следующие четыре этапа

АО Финам

28.03.2017

Моделирование на основе нейронных сетей. Этапы и примеры Анализ исходных данных и подготовка к моделированию включают следующие фрагменты:

■ классификацию решаемой задачи;

■ предварительный выбор модели нейронной сети;

■ предварительное определение структуры сети;

■ выбор алгоритма обучения ИНС;

■ выбор пакета ИНС;

■ на основе выбранного пакета формулируются минимальные требования к информационной и программн также к составу и параметрам технических средств ПК, на которой осуществляется моделирование.

Обучение нейронной сети.

На данном этапе моделирования, основываясь на результатах первого этапа и эмпирических данных, осуществи

■ формирование и редактирование исходных данных для режима обучения;

■ окончательный выбор структуры ИНС, модели и пакета;

■ выбор и реализация режима «дообучения» нейронной сети.

Этап обучения является наиболее трудоемким и ответственным в процессе моделирования [4, 5, 6] . На отсутствуют формализованные процедуры, и решение принимается на основе эмпирики и эвристики. Как прави итерационным и требует неоднократного возвращения к сформулированным на данном этапе вопросам.

Анализ качества обучения ИНС предполагает:

■ анализ значений параметров и вида характеристик, определяющих отклонение результатов, полученных И

■ определение границ области, в пределах которой ИНС обучилась с заданной степенью точности;

■ принятия решения о завершении процесса обучения. Если положительное решение не принято, то следуе или даже к первому этапам моделирования.

Применение обученной нейронной сети.

Это - заключительный этап моделирования. По времени он, как правило, может быть разнесен от первых меньшей квалификации от пользователя. Этап содержит следующие вопросы:

■ формирование на основе шаблона исходных данных;

■ обращение к обученной нейронной сети.

Приведены примеры моделирования на основе ИНС с помощью пакетов NeuroPro, Neuro Shell, Wizard. В реж рассмотрены этапы моделирования. Сформулированы рекомендации по выбору параметров моделирования специфики работы в каждом из пакетов.

Библиографический список

1. Снегирева Л.В., Катальникова Е.С., Горюшкин Е.И. Искусственная нейронная сеть для проверки соответстви тестовых заданий // В сборнике: Перспективы развития информационных технологий Труды Всероссийской практической конференции. Кузбасский государственный технический университет имени Т.Ф. Горбачева, Меж образовательный центр КузГТУ-Arena Multimedia. Кемерово, 2014. С. 282-283.

2. Арутюнян В.Г. Структура ментальных репрезентаций: извлечение текста из памяти, нейронная сеть и искусс Вестник Пермского университета. Российская и зарубежная филология. 2013. № 4 (24). С. 133-139.

3. Бессонов Д.В. Способы кодирования искусственных нейронных сетей в эволюционных алгоритмах // В сбо системы искусственного интеллекта и их приложения в науке Материалы II Всероссийской научной Инте международным участием. Сервис виртуальных конференций Pax Grid; ИП Синяев Д. Н.. 2014. С. 14-16.

4. Афанасьева М.А. Создание и обучение нейронных сетей в системе MATLAB // Молодой ученый. 2014. № 4. С.

5. Колесникова Т. Построение и обучение нейронной сети для решения задачи прогнозирования погоды при NEUROPH STUDIO // Компоненты и технологии. 2014. № 7 (156). С. 129-132.

6. Полупанов А.А., Гарнага В.В., Кольцов Ю.В. Эволюционный подход к обучению искусственной нейронной i вычислительная техника и инженерное образование. 2013. № 3 (14). С. 10-15.

7. Плеханов П.А. Применение искусственных нейронных сетей для нахождения взаимосвязей в эконом тенденции в экономике и управлении: новый взгляд. 2014. № 26. С. 130-133.

References

1. Snegireva L.V., Katal'nikova E.P., Gorjushkin E.I. Iskusstvennaja nejronnaja set' dlja proverki sootvetstvija real zadanij V sbornike: Perspektivy razvitija informacionnyh tehnologij Trudy Vserossijskoj molodezhnoj nauchno-pra Kuzbasskij gosudarstvennyj tehnicheskij universitet imeni T.F. Gorbacheva, Mezhdunarodnyj nauchno-obrazovatel'ny Multimedia. Kemerovo, 2014. P. 282-283.

2. Arutjunjan V.G. Struktura mental'nyh reprezentacij: izvlechenie teksta iz pamjati, nejronnaja set' i iskusstvi Permskogo universiteta. Rossijskaja i zarubezhnaja filologija. 2013. No 4 (24). P. 133-139.

3. Bessonov D.V. Sposoby kodirovanija iskusstvennyh nejronnyh setej v jevoljucionnyh algoritmah V sbornike: iskusstvennogo intellekta i ih prilozhenija v nauke Materialy II Vserossijskoj nauchnoj Internet-konferencii s mezhdu Servis virtual'nyh konferencij Pax Grid; IP Sinjaev D. N.. 2014. P. 14-16.

4. Afanas'eva M.A. Sozdanie i obuchenie nejronnyh setej v sisteme MATLAB Molodoj uchenyj. 2014. No 4. P. 85-88.

5. Kolesnikova T. Postroenie i obuchenie nejronnoj seti dlja reshenija zadachi prognozirovanija pogody pri pomoshhi p STUDIO Komponenty i tehnologii. 2014. No 7 (156). P. 129-132.

6. Polupanov A.A., Garnaga V.V., Kol'cov Ju.V. Jevoljucionnyj podhod k obucheniju iskusstvennoj nejronnoj seti Infor tehnika i inzhenernoe obrazovanie. 2013. No 3 (14). P. 10-15.

7. Plehanov P.A. Primenenie iskusstvennyh nejronnyh setej dlja nahozhdenija vzaimosvjazej v jekonomike Sovi jekonomike i upravlenii: novyj vzgljad. 2014. No 26. P. 130-133.

|<{ 0 | flHfleKC.BmiiKeTlNNOV

архив: 2013 2012 2011 1999-2011 новости ИТ гость портала 2013 тема недели 2013 поздравления

Реклама на INNOV.RU Партнеры История компании О компании Услуги Создать сайт Стена памяти Поиск

© 1996-2017 INNOV.RU (Иннов.ру) - информационное агентство, ООО «Иннов». * - правила пользования

Свидетельство Управления Федеральной службы по надзору в сфере связи, информационных технологий и массовых коммуникаций по Нижегородской области ИА № ТУ 52-0604 от 29 февраля 2012 г ISSN: 2414-5122

Веб-студия «INNOV» - продвижение и разработка сайта