Нейросети и нейроматематика

Нейросети и нейроматематика
Н.И. Сидняев, П.В. Храпов
  • Год:
    2016
  • Тип издания:
    Учебное пособие
  • Объем:
    86 стр. / 5.375 п.л
  • Формат:
    60x90/16
  • ISBN:
    978-5-7038-4362-8
  • Читать Online

Ключевые слова: алгоритмы разобучения, звезды Гроссберга, карты Кохонена, когнитроны, модель Липпмана-Хемминга, модель Хопфилда, нейродинамика, нейрокомпьютерная математика, нейронные сети, нейросетевые технологии, неокогнитроны, обратные связи, обучение нейронных сетей, персептроны

Приведены краткие теоретические сведения, примеры с подробными объяснениями, задачи для самостоятельного решения. Представлено введение в теорию нейронных сетей. Задачи рассматриваются с позиций нейрокомпьютерной математики к постановке физических задач. Учебное пособие поможет студентам старших курсов овладеть методами нейросетевых технологий, которые широко используются при решении задач прикладного характера.

Для студентов 4-6-го курсов всех специальностей.

ОГЛАВЛЕНИЕ
1. Биологический нейрон и его кибернетическая модель
1.1. Метод нейробиологии
1.2. Биологическая изменчивость и обучение нейронных сетей
1.3. Обучение нейрона детектированию границы "черное - белое"
2. Модели нейрона
2.1. Персептрон
2.2. Модель Адалайн
2.3. Модель нейрона с сигмоидой на выходе
2.4. Персептрон Розенблатта
3. Свойства процессов обучения в нейронных сетях
3.1. Задача обучения нейронной сети на примерах
3.2. Классификация и категоризация
3.3. Обучение нейронной сети с учителем как задача многофакторной оптимизации
4. Многослойный персептрон
4.1. Необходимость иерархической организации нейросетевых архитектур
4.2. Структура многослойного персептрона
4.3. Однонаправленные многослойные сети. Структура и функционирование сети
4.4. Обучение методом обратного распространения ошибок
4.5. Описание алгоритма обратного распространения ошибки
5. Звезды Гроссберга
5.1. Принцип "Победитель забирает все" в модели Липпмана - Хемминга
5.2. Карта самоорганизации Кохонена
5.3. Нейронная сеть встречного распространения
6. Модель Хопфилда
6.1. Сети с обратными связями
6.2. Нейродинамика в модели Хопфилда
6.3. Правило обучения Хебба
6.4. Ассоциативность памяти и задача распознавания образов
7. Обобщения и применения модели Хопфилда
7.1. Алгоритмы разобучения (забывания)
7.2. Детерминированная и вероятностная нейродинамика
7.3. Применения сети Хопфилда к задачам комбинаторной оптимизации
8. Неокогнитрон Фукушимы
8.1. Когнитрон: самоорганизующаяся многослойная нейросеть
8.2. Неокогнитрон и инвариантное распознавание образов

Авторы работы: Сидняев Николай Иванович, Храпов П.В.