Retele Neuronale

Imagine preview
(6/10 din 6 voturi)

Acest proiect trateaza Retele Neuronale.
Mai jos poate fi vizualizat cuprinsul si un extras din document (aprox. 2 pagini).

Arhiva contine 1 fisier doc de 30 de pagini .

Iti recomandam sa te uiti bine pe extras, cuprins si pe imaginile oferite iar daca este ceea ce-ti trebuie pentru documentarea ta, il poti descarca. Ai nevoie de doar 9 puncte.

Domeniu: Inteligenta Artificiala

Cuprins

Cuprins..2
Introducere..3
Capitolul 1. Procese de învatare în sisteme cu inteligenta artificiala..5
Capitolul 2. Elemente de neurodinamica..9
2.1. Modelul general al unei retele neuronale..9
2.2. Retele neuronale multistrat...11
Capitolul 3. Modelul perceptronului..13
3.1. Perceptronul cu un singur strat...13
3.2. Algoritmul de instruire..15
3.3. Limitele perceptronului..16
Capitolul 4. Propagarea înapoi a erorii...17
4.1. Functia criteriu..17
4.2. Algoritmul de propagare înapoi..19
Capitolul 5. Arhitecturi moderne de retele neuronale...21
5.1. Retele neuronale probabilistice..21
5.2. Retele neuronale fuzzy...22
Capitolul 6. Aplicatii ale retelelor neuronale..24
6.1. Retele neuronale în probleme de control si de modulare a sistemelor..24
6.2. Prelucrari de imagini cu retele neuronale..25
6.3. Sistem expert cu retea neuronala multistrat..

Extras din document

Procese de învatare in sisteme cu inteligenta artificiala

Inteligenta artificiala, ca si in cazul inteligentei biologice se dobândeste printr-un proces continu si de durata de învatare, de aceea problema învatarii ocupa un loc important in cercetarea masinilor auto-instruibile (machine learning).

Prin învatarea automata se întelege studiul sistemelor capabile sa-si îmbunatateasca performantele, utilizând o multime de date de instruire.

Sistemele cu inteligenta artificiala obisnuite au capacitati de învatare foarte reduse sau nu au de loc. In cazul acestor sisteme cunoasterea trebuie sa fie programata in interiorul lor. Daca sistemele contin o eroare ,ele nu o vor putea corecta, indiferent de cate ori se executa procedura respectiva. Practic aceste sisteme nu-si pot îmbunatatii performantele prin experienta si nici nu pot învata cunostinte specifice domeniului, prin experimentare. Aproape toate sistemele cu inteligenta artificiala sunt sisteme deductive. Aceste sisteme pot trage concluzii din cunoasterea încorporata sau furnizata, dar ele nu pot sa genereze singure noi cunostinte.

Pe masura ce un sistem cu inteligenta artificiala are de rezolvat sarcini mai complexe, creste si cunoasterea ce trebuie reprezentata în el (fapte, reguli, teorii). În general un sistem functioneaza bine, în concordanta cu scopul fixat prin cunoasterea furnizata, dar orice miscare in afara competentei sale face ca performantele lui sa scada rapid. Acest fenomen este numit si fragilitatea cunoasterii.

Una din directiile de cercetare in privita masinilor instruibile este modelarea neuronala . Modelarea neuronala dezvolta sisteme instruibile pentru scopuri generale, care pornesc cu o cantitate mica de cunostinte initiale. Astfel de sisteme se numesc retele neuronale sisteme cu auto-organizare sau sisteme conexioniste.

Un sistem de acest tip consta dintr-o retea de elemente interconectate de tip neuron, care realizeaza anumite functii logice simple.

Un astfel de sistem învata prin modificarea intensitatii de conexiune dintre elemente, adica schimbând ponderile asociate acestor conexiuni. Cunoasterea initiala ce este furnizata sistemului este reprezentata de caracteristicile obiectelor considerate si de o configuratie initiala a retelei.

Sistemul învata construind o reprezentare simbolica a unei multimi date de concepte prin analiza conceptelor si contraexemplelor acestor concepte. Aceasta reprezentare poate fi sub forma de expresii logice, arbori de decizie, reguli de productie sau retele semantice.

Istoria Retelelor Neuronale Artificiale (RNA) sau, simplu, a Retelelor Neuronale începe cu modelul de neuron propus de catre McCulloch si Pitts (un logician si un neurobiolog) in 1943. si este numit acest model neuronal, neuronul MP.

Modelul MP presupune ca neuronul functioneaza ca un dispozitiv simplu, ale carui intrari sunt ponderate. Ponderile pozitive sunt excitatoare iar ponderile negative sunt inhibitoare. Daca excitatia totala, adica suma ponderata a intrarilor, depaseste un anumit prag, atunci neuronul este activat si emite un semnal de iesire (iesirea are valoarea +1). Daca excitatia totala este mai mica decât valoarea prag, atunci neuronul nu este activat si iesirea lui se considera a fi zero.

Fisiere in arhiva (1):

  • Retele Neuronale.doc

Alte informatii

Proiectul de fata îsi propune sa prezinte ideile de baza ale calculului neuronal alaturi de principale modele conexioniste ale inteligentei artificiale. În retelele neuronale informatia nu mai este memorata în zone bine precizate, ca în cazul calculatoarelor standard, ci este memorata difuz în toata reteaua. Memorarea se face stabilind valori corespunzatoare ale ponderilor conexiunilor sinaptice dintre neuronii retelei.