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 laborator
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.
Un alt element important, care este, probabil, principalul responsabil pentru succesul modelelor conexioniste, este capacitatea retelelor neuronale de a învata din exemple. În mod traditional, pentru a rezolva o problema, trebuie sa elaboram un model (matematic, logic, lingvistic etc.) al acesteia. Apoi, pornind de la acest model, trebuie sa indicam o succesiune de operatii reprezentând algoritmul de rezolvare a problemei. Exista, însa, probleme practice de mare complexitate pentru care stabilirea unui algoritm, fie el si unul aproximativ, este dificila sau chiar imposibila.
În acest caz, problema nu poate fi abordata folosind un calculator traditional, indiferent de resursele de memorie si timp de calcul disponibil.
Caracteristic retelelor neuronale este faptul ca, pornind de la o multime de exemple, ele sunt capabile sa sintetizeze în mod implicit un anumit model al problemei.
Se poate spune ca o retea neuronala construieste singura algoritmul pentru rezolvarea unei probleme, daca îi furnizam o multime reprezentativa de cazuri particulare (exemple de instruire).
Capitolul 1 are un caracter introductiv si schiteaza ideile de baza ale calculului neuronal.
În Capitolul 2 se prezinta elementele fundamentale privind arhitectura si functionarea retelelor neuronale. Se da ecuatia generala a evolutiei unei retele neuronale si se prezinta cinci modele fundamentale ale instruirii acestor retele.
Capitolul 3 prezinta studiul perceptronului si diferitelor sale variante. Perceptronul standard este un model simplu de retea neuronala iar functionarea se bazeaza pe algoritmul de instruire.
Perceptronul multi strat este o retea neuronala având o arhitectura formata din mai multe straturi succesive de neuroni simpli.
Capitolul 4 arata modul de instruire a retelelor multi strat prin metoda de propagare înapoi a erorii. Se prezinta diferite metode care algoritmul de propagare înapoi.
Capitolul 5 ne prezinta arhitecturi moderne de retele neuronale si a unor metode evolutive de optimizare bazate pe algoritmi evolutivi.
Capitolul 6 este dedicat aplicatiilor calculului neuronal. Aplicatiile retelelor neuronale sunt numeroase si acopera o arie larga de domenii. Printre aplicatiile calculului neuronal se numara optimizare combinatoriala, probleme de control si modelare a unor sisteme complexe, prelucrarea imaginilor si recunoasterea formelor.
Preview document
Conținut arhivă zip
- Retele Neuronale.doc