Litgu.ru - Литературный Гуру

Основные понятия и области применения искусственных нейронных сетей.
Определения и терминология.
Свойства биологических нейронных сетей.
История развития нейрокомпьютерных вычислений.
Области применения искусственных нейронных сетей.
Классификация нейронных сетей.
Элементная база для аппаратной реализации нейрокомпьютеров.
Основы теории нейронных сетей.
Нейросеть — виртуальная модель мультипроцессорной системы.
Формальная модель нейрона.
Биологический нейрон.
Понятие искусственного нейрона.
Основные типы функций активации.
Нейрон с векторным входом.
Архитектура нейронных сетей.
Пример моделирования однослойной нейронной сети в MatLAB.
Многослойная нейронная сеть.
Принципы построения многослойных нейронных сетей.
Алгоритм обратного распространения ошибки.
Нормализация входной и выходной информации.
Пример расчёта параметров сети в алгоритме обучения.
Недостатки алгоритма обратного распространения ошибки.
Параметры, влияющие на обучение многослойной нейронной сети.
Выполнение режима трассировки нейронной сети.
Нейронные сети с радиально-базисными функциями.
Общие сведения о нейронных сетях с радиальными базисными функциями.
Математические основы функционирования радиальных нейронных сетей.
Нелинейная модель расчёта параметров радиальной базисной функции.
Самоорганизующиеся нейронные сети.
Принцип работы сети Кохонена.
Алгоритм обучения сети Кохонена.
Сети на встречного распространения.
Нейронные сети адаптивной резонансной теории.
Сети на основе теории адаптивного резонанса.
Нейронная сеть ART-1.
Процесс функционирования сетей ART-1.
Обучение сети ART-1.
Рекуррентные нейронные сети.
Основные типы рекуррентных нейронных сетей.
Модели релаксационных нейронных сетей.
Нейронная сеть Хопфилда.
Машина Больцмана.
Нейронная сеть Хемминга.
Двунаправленная ассоциативная память.
Многопрофильная модель релаксационной нейронной сети.
Примеры моделирования нейронных сетей в среде MatLAB.
Моделирование многослойных нейронных сетей для аппроксимации функций sin(x) и cos(x).
Моделирование комбинационной логической схемы.
Моделирование радиально-базисных нейронных сетей для аппроксимации функций sin(x) и cos(x).
Моделирование обобщенных регрессионных нейронных сетей (GRNN) для аппроксимации функций sin(x) и cos(x).
Влияние параметра SPREAD нейронной сети на результаты аппроксимации.
Моделирование вероятностных нейронных сетей (PNN) для задач классификации векторов.
Моделирование радиально-базисных нейронных сетей для аппроксимации функции tang(x).
Пример моделирования задачи кластеризации с помощью нейронной сети Кохонена.
Пример моделирования задачи кластеризации с помощью LVQ нейронной сети.
Моделирование решения системы дифференциальных уравнений с использованием нейросетевых технологий.
Объект моделирования — система дифференциальных уравнений.
Объект моделирования — система линейных дифференциальных уравнений.
Выбор алгоритма обучения и параметров трехслойной сети обратного распространения.
Варьирование параметра SPREAD для нейронной радиально-базисной сети.
Выбор оптимальной архитектуры нейронной сети.
Варьирование количества примеров обучающей выборки.
Моделирование системы нелинейных дифференциальных уравнений.
Моделирование системы нелинейных дифференциальных уравнений с разрывной правой частью.
Аппаратная поддержка моделирования системы дифференциальных уравнений на ПЛИС.
Примеры реализации пакетов нейросетевых программ.
Анализ преимуществ коммерческих нейросетевых программ.
Универсальный нейропакет NeuroSolutions.
NeuralWorks Professional II/Plus.
Нейропакет Process Advisor.
Нейропакет NeuroShell 2.
Список сокращений и обозначений.
Библиографический список.