Динамикалық хаос радиотехникалық генераторлардың негізінде нейрондық торды құру

Кіріспе
1 бөлім. Нейрон моделінің құрылымы
1.1 Нейроннын моделі
1.1.1 Қарапайым нейрон
1.1.2. Активация функциясы
1.1.3. Кіріс векторлы нейрон
1.2. Нейрондық жүйелердің архитектурасы
1.2.1. Бір қабатты жүйе
1.2.2. Көпқабатты жүйелер
1.2.3. Сигналды тікелей жіберу жүйесі
1.3. Желілерді баптандыру(инициализациялау), модельдеу және құру
2 бөлім. Нейрондық жүйелер
2.1 Персептрон
2.2 Сызықты жүйелер
2.3 Радиалды базисті жүйелер
Соңғы уақытта нейрондық жүйелерде ұлкен қызығушылық байқалады. Ол көптеген салаларда қолданыс тапты: медицинада, бизнесте, техникада. Нейрондык жүйелерді басқару, болжау, классификация мәселелерін шешуде қолданылады.
Нейрожүйенің ерекшелігі, ол оқыту механизмінде (механизм обучения) қолданылады. Нейрондық жүйе қолданушысы өкілі деректерді таңдап және оқытылатын алгоритмдерді жібереді. Алгоритм өз бетімен параметрлерді қалыптастырады. Қолданушыға қойылатын негізгі талаптар, бұл – эвритистикалық біілімнің болуы, яғни деректерді дайындау, нейрондық жүйелердің архитектурасын таңдау. Алынған нәтижелерден қорытынды шығару. Айта кететін болсақ, қолданушыға нейрондық жүйе қолдану барысында қойылатын талаптар әлдеқайда аз болып келеді, мысал үшін дәстүрлі әдістерге қарағанда.
Дегенмен, жасанды нейрондық жүйе қарапайым нервтік жүйенің биологиялық моделі бойынша жасалынған.
Нейроннан алынатын сигналдың қарқыны байланыс сызығының белсенділігіне байланысты. Әрбір байланыс сызығының өзіне тән ұзндығы болады. Сол арқылы арнайы химиялық заттар сигнал жібереді.
Көп нейроннын тұрайтын ми өте қиын операцияларды жүзеге асыруға қабілетті. Дәл осындай модельді жасанды нейрондық жүйелер іске асырады.Жасанды нейрондық жүйе сонымен қатар өзара параллельді әрекет ететін қарапайым элементтерден құралған. Нейрондық жүйе функциялары табиғаттағыдай элементтер арасындағы байланыс бойынша анықталады. Байланыс коэффиценттерінің мәндерін өзгерте отырып, нейрондық жүйелерді белгілі бір функцияларды жүзеге асыру үшін оқытуға болады. Әдетте жасанды нейрондық жүйе белгілі бір нақты кірістер мақсатты шығыстарға айнлатындай етіп оқытады. Шығыс және мақсат сигналдарын бір біріне сәйкес келгенше салыстыру арқылы оқытылады.
Жасанды нейрондық жүйе негізінде интеллектуалды жүйелер, бейнелерді таңдауы, бақлаудың орындалуын, ассоциативті жады және басқалардың мәселелерін орындап келе жатыр.
        
        ҚАЗАҚСТАН РЕСПУБЛИКАСЫНЫҢ
БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ
АЛЬ - ФАРАБИ АТЫНДАҒЫ
ҚАЗАҚ ҰЛТТЫҚ УНИВЕРСИТЕТІ
Физика-техникалық факультеті
Қатты дене және бейсызық физика кафедрасы
Дипломдық жұмыс
Динамикалық хаос ... ... ... ... торды құру
Орындаушы Жарылғапова Назгүл Алманбетовна
4 курс студенті
Ғылым жетекшісі Ахтанов Саят ... ... к ... ... ... Нейрон моделінің құрылымы
1.1 Нейроннын моделі
1.1.1 Қарапайым нейрон
1.1.2. Активация функциясы
1.1.3. Кіріс векторлы нейрон
1.2. Нейрондық жүйелердің архитектурасы
1.2.1. Бір қабатты ... ... ... ... ... ... ... Желілерді баптандыру(инициализациялау), модельдеу және құру
2 бөлім. Нейрондық жүйелер
2.1 Персептрон
2.2 Сызықты жүйелер
2.3 ... ... ... ... нейрондық жүйелерде ұлкен қызығушылық байқалады. Ол көптеген салаларда қолданыс тапты: медицинада, бизнесте, техникада. Нейрондык жүйелерді басқару, ... ... ... ... ... ... ол ... механизмінде (механизм обучения) қолданылады. Нейрондық жүйе қолданушысы өкілі ... ... және ... ... жібереді. Алгоритм өз бетімен параметрлерді қалыптастырады. Қолданушыға қойылатын негізгі талаптар, бұл - эвритистикалық біілімнің болуы, яғни ... ... ... ... архитектурасын таңдау. Алынған нәтижелерден қорытынды шығару. Айта кететін болсақ, қолданушыға нейрондық жүйе қолдану барысында ... ... ... аз ... ... ... үшін ... әдістерге қарағанда.
Дегенмен, жасанды нейрондық жүйе қарапайым нервтік жүйенің биологиялық моделі бойынша жасалынған.
Нейроннан ... ... ... ... ... ... байланысты. Әрбір байланыс сызығының өзіне тән ұзндығы болады. Сол арқылы арнайы химиялық заттар сигнал жібереді.
Көп ... ... ми өте қиын ... ... ... қабілетті. Дәл осындай модельді жасанды нейрондық жүйелер іске асырады.Жасанды нейрондық жүйе сонымен қатар өзара параллельді ... ... ... ... құралған. Нейрондық жүйе функциялары табиғаттағыдай элементтер арасындағы байланыс бойынша анықталады. Байланыс коэффиценттерінің ... ... ... нейрондық жүйелерді белгілі бір функцияларды жүзеге асыру үшін оқытуға болады. Әдетте ... ... жүйе ... бір ... кірістер мақсатты шығыстарға айнлатындай етіп оқытады. Шығыс және мақсат сигналдарын бір біріне сәйкес келгенше салыстыру ... ... ... жүйе ... ... ... бейнелерді таңдауы, бақлаудың орындалуын, ассоциативті жады және басқалардың мәселелерін орындап келе жатыр.
ППП Neural Network Toolbox қолданушыларға проектілеу әдістерін ... және ... ... ... ... ... үшін қызмет ететін құрал.
Нейрондық жүйелер көптеген салаларда әр түрлі ... ... ... ... мен ... ... ... Банк ісінде
* Әскери салада
* Электроникада
* Қаржы ісінде
* Сақтандыру саласында
* Өндірісте
* Медицинада
* Мұнайгаз өндірісінде
* ... ... ... бөлім. Нейрон моделінің құрылымы.
1.1 Нейроннын моделі
1.1.1 Қарапайым нейрон
Нейрондық жүйе қарапайым ұяшығы болып нейрон болып табылады. Бір ... ... ... ... ... ... ... кіріс p сигналы скалярлы w аймақты коэффицентіне көбейтіледі,нәтижесінде шығатын өлшенген кіріс W x P нейрон активациясы ... ... ... табылады. Сөйтіп а скалярлы шығысты тудырады.
1.1, в суретінде көрсетіген скалярлы жылжу ... ... W x P ... есептеледі және f функциясының аргументінің b шамасына жылжуына алып келеді.
Егер нейронның мәні 1-ге тең ... ... ... ... бар ... ... ... салыстыру схемасына сәйкстендіруге болады.
Кірістің нейрон активация n функциясы сол қалпында скалярлы болып қалады, сонымен қатар салыстыру кірісі мен b ... ... ... тең ... Ол f ... ... аргументі болып табылады. Ал шығыс функциясының активация а сигналы болып табылады. W және b тұрақтылары нейронның скалярлы параметрлері болып есептеледі. ... ... ... ... нейрон параметрлерін өзгерту арқылы жүйенің нақты жұмыс атқаруына ... ... ... ... ... өзін-өзі жөндейтіндей етіп үйретуге болады.
Нейрондардың жылжу теңдеуі:
a = f(w.*p+b* 1). ... ... ... b ... - нейронныңкіріс болып табылмайтын скалярлы ... ал ... ... ... ... ... және ... басқарады
a=w b p1
1.1.2. Активация функциясы
Нейронның активация функциясы әр түрлі болады. F ... ... n ... және а ... ... функция тобына кіреді.
Кең таралған функция активациясының 3 түрлі формасын қарастырайық. Hardlim ... ... ... ... Бұл ... а = ... = 1(n) қатынасын сипаттайды және ол 2.2 суретте көрсетілген. Егер n0, онда 1-ге тең.
2.2 сурет
ППП Neural Network Toolbox құрамына ... ... ... ... ... ... hardlim M-функциясы кіреді. Операторларды Matlab тілінде
қолдана отырып, омы функцияның ... ... ... = ... -5тен +5ке дейінгі мәндер арасында hardlim функциясының графигін аламыз. (сур. ... ... ... ... Бұл ... а = ... ... сипаттайды. (сур.1,3)
сурет 1.3
Logsig логистикалық активация функциясы. Бұл функция а = logsig(n) = 1/(1 + ехр(-n)) байланысын сипаттайды. 1.4 суретінде көрсетілген. Ол ... ... ... кіреді. Және оның аргументі -infinity тен +infinity ке дейінгі диапазон аралығындағы кез келген мәнді қабылдай алады.Ал шығыс 0 мен 1 ... ғана ... ППП Neural Network Toolbox logsig ... ... ... ... ... байланысты бұл функция жүйелерінде қателіктерді кері тарату негізінде оқытуга қолданылады.
сурет 1.4
Квадрат ішіндегі сурет ... ... ... Бұл сурет нейрондық жүйелердің құрылымдық схемаларында қолданылады.
ППП Neural Network Toolbox активациясының басқа да функцияларын қамтиды. Matlab тілін қолдана отырып, пайдаланушы ... жеке ... ... ... ... ... векторлы нейрон
1.5 суретте p1,p2.....pn R элементтер мен бір векторлы P ... ... ... Мұндағы әрбір элементті сәйкесінше w11,w12.....w1R - ге көбейтіледі, және ... ... ... ... ... қосындысы W жолының P кіріс векторына скалярлы көбейтіндісіне тең болады.
сурет ... ... ... ... b ... бар. ... n қосынды:
n=w11p1+w12p2 + ... +w1RpR+ b (1.3)
F активация ... ... ... ... Matlab тілінде мынадай түрде жазылады:
n= W*p + b. (1.4)
Үстінде ... ... ... көптеген артық бөлшектер бар.
Көп нейроннан тұратын жүйелерді қарастырғанда нейронның үлкейтілген құрылымдық сұлбасы қолданылады.(сур.1.6)
сурет 1.6
Суретте нейронның кірісі қара вертикальді ... ... ... Ол R ... ... ... көрсетеді. P кіріс векторының өлшемі p символының астында жазылады және Rx1-ге тең. Кіріс векторы ұзындығы R ұзындықты W ... ... Айта ... 1 ... скалярля жылжу b-ға көбейтілетін кіріс ретінде қарастырылады. Нейронның ... ... n ... b жылжуы мен WxP көбейтіндісі мен қосындысы болып табылады. Бұл қосынды f ... ... ... және ... ... нейронның а шығысын аламыз. Мұндағы а-скалярлы шама болып табылады. 1.6 суретінде көрсетілген құрылымдық сұлба жүйе қабаты деп ... ... W ... b ... WxP көбейту операциясымен f активация функциясмен қосындысы арқылы сипатталады. Р кіріс векторы әдетте қабат сипаттамасына кіреді.
Үлкейтілген құрылымдық ... ... ... ... ... үшін ... ... символдар қолданылады. Олардың кейбір түрлері 1.7 суретінде көрсетілген. а- баспалдақты, б- сызықты, в- ... ... ... ... ... ... бір немесе бірнеше қабаттан тұруы мүмкін. Және оларды сәйкесінше бір қабатты және көп қабатты деп ажыратамыз.
1.2.1. Бір қабатты жүйе
R ... ... мен ... ... бір ... ... ... көрсетілген. (2.8 сурет)
сурет 2.8
Бұл жүйедегі әрбір вектордың элементі нейронның барлық шығысымен байланысты, және бұл байланыс W массасының матрицасы арқылы ... ... ... ... і-ші нейрон скалярлы шығыс n(i)-ді қалыптастыратын элементтердің жиынтығы болып табылады. n(i) ... ... ... қабаттың п функция активациясының S-элементтік шығыс векторына ... ... ... а ... ... ... нейрон қабатының сипаттамасы мынадай болады:
a = f(W*p+b). (2.5)
Қабаттағы R ... саны ... ... ... келмеуі мүмкін. Алайда нейрондардың құрылымдық қабаттарын басқа активация функциясын қолданып (2.8 суреттегідей)жасауға болады. Екі жүйенің де кірістері өзгермейді. ... ... ... ... W ... матрицасы арқылы жіберіледі:
(2.6)
W матрицасының жол индексі нейрон ... ... ... ал ... ... - бұл ... ... көзі болып табылады. Осыдан, салмақ матрицасының элементі w12 = W(l, 2) ... ... ... ... ... ... элементін көбейтетін коэффицент. S нейрондардан тұратын бірқабатты жүйе үшін үлкейтілген құрылымдық сұлба 2.9 суретте көрсетілген:
2.9 сурет
Мұндағы р- Rx1 ... ... ... w - SxR ... ... өлшемі, a,b,n- Sx1өлшемді вектор.
1.2.2. Көпқабатты жүйелер
Бірнеше қабатты желіні ... ... ... ... кірісіне байланысын салмақ матриасы деп, ал қабаттан бөліетін сигналға арналған салмақ ... ... ... ... деп ... ... ... жүйелерде әр түрлі салмақ пен элементтерге арналған адресаттарды көрсету үшін жоғарғы жағына индекстерді қоямыз. Біріншіден, біз ... ... бір ... ... ... 2.10
Кірістермен байланысқан салмақ матрицасын IW11 деп белгілейік, жоғарысындағы индекстер кіріс көзі бірінші қабат екенін , және де ... ... ... көрсетеді.
Алдағы уақытта матрицалар үшін кіріс және шығыс ... ... IW(Input Weight) және LW(Layer Weight) деп ... жүйе ... ... ... ... онда әрбір қабат өзінің салмақ матрицасы W, жылжу векторы b және ... ... a ... ... ... үш ... тұратын жүйенің структуралық схемасы мен теңдеуі көрсетілген:
сурет 2.11
Жоғарыда көрсетілген жүйеде R кіріс , бірінші қабатта S1 нейрон, ... ... S2 ... ... ... әр ... нейродардан тұруы мүмкін. Әр бір нейронға жлжу үшін тұрақты кіріс сигнал 1 берілген. Алдыңғы қабаттың шығысы келесі ... ... ... Содан, 2-ші қабат жүйенің бір қабаты ретінде қарастырылса, S1 кіріс, S2 ... және S1 х S2 ... ... W2 болады.
Көпқабатты жүйелердің қабаты әр түрлі атқ ие болуы мүмкін. Жүйенің шығысын қалыптастыратын қабат шығыс қабат деп ... Ал ... ... ... ... деп ... Жоғарыда көрсетілген үшқабатты жүйе шығыс қабат(3 қабат) және ә жасырын қабат ( 1 және 2 ... Дәл осы ... ... ... ... ... ... қабаттың шығысы а3 у арқылы белгіленетінін байқаймыз. Бұл шығыс қабат жүйенің соңғы шығысы екенін көрсетеді.
Көп қабатты жүйелердің мүмкіндіктері зор. ... ... ... ... ал ... қабат- сызықты активация функциясынан құралған екі қабатты жүйе кез ... ... ... ... онай ... бере ... ... нейрон функциясының активация кірісі өлшенген кірістің салмағы мен жылжуын анықтайды. ... ... ... ... және активация функциясының тұріне байланысты. Жалғыз бір нейрон қиын тапсырмаларды орындай алмайды, бірақ бірнешеуін біріктірсе көп ... ие бола ... бар ... ... мен ... ... ... байланыстарды қалыптастыра алады. Мысалы, жылжуы жоқ нейрон кірісіне нөльді берсе, онда активация функциясының ... ... тең ... ... ... сызықты емемс сигмоидальды активация функциясы логикалық (2.7 сур.) немесе гиперболикалық тангенс (2.13 сур.) ... ... ... ... ... соңғы қабаты осындай активация функциясын пайдаланса, жүйенің шығысы шектеулі болады. Қабаттың шығысында сызықты нейрон ... онда ... ... кез ... мәнді қабылдайды. ППП NNT-да осындай активация функциясы бар. Оны алу үшін:
('deriv')
Например, обращение вида
tansig(`deriv')
ans = dtansig
гиперболикалық тангенсті есептейтін М-функция, ... ... ... ... ... активация функциясы бір қабатты S нейронды жүйе (R кірісі бар) 2.14 суретте көрсетілген:
2.14 сурет
Бұл кері байланысы жоқ жүйе сигналды ... ... ... деп ... ... жүйелер көбіне бір немесе бірнеше жасырын нейрон қабаттары бар сигмоидальды активация функциясы болады.
Жақсырақ ... ... ... ... ... ... жүйе ... аппроксимациясы үшін қолданыла алады.
1.3. Желілерді баптандыру(инициализациялау), модельдеу және құру
Желі архитектурасын қалыптастыру нейрондық жүйелердің жұмысында ... - ... ... құру. Сигналды тікелей жіберу жүйесін құру. Сигналды тікелей жіберу жүйесін құру үшін ППП NNT- да newff ... ... Ол 4 ... және 1 шығыс аргументі- network объектісі.
Бірінші кіріс аргумент - әр кіріс вектор ... min ... max ... Rx2 ... ... екінші - әрбір қабат үшін нейрон саны; үшінші - әр қабат үшін активация функцияының ұяшық массиві;төртінші - ... ... аты. ... келесі оператор сигналды тікелей жіберу жүйесін құрады:
net = newff([-1 2; 0 5],[3,1],{`tansig',`purelin'},'traingd');
Бұл жүйе [-1 2] және [0 5] ... ... екі ... тұратын 1 кіріс векторын пайдаланады; бірінші қабатта 2 қабаттан тұратын 3 нейрон және екінші қабатта 1 нейрон. ... ... ... ... ... ... М-функциясы жүйенің архитектурасын құрып қана қоймай, сонымен қатар салмағы мен жылжуын инициалдайды. Бірақ кей ... жүйе ... ... ... ... ... ... болады.
Жүйені баптандыру (инициализациялау)
Жүйенің архитектурасы құрылғаннан кейін, бастапқы салмақ пен жылжудың мәндері ... ... яғни жүйе ... өту ... Ондай операция init командасы арқылы беріледі.
net = init(net)
Инициализациялау тәсілі net.initFcn және ... ... ... ... Олар инициализация функциясын қалыптастырады. Rand функциясын қолдана отырып, бірінші қабаттың салмағы мен жылжуын баптандыру үшін келесі операторларды енгізу ... = ... = ... ... = 'rands'; ... = 'rands';
net = ... ... жүйелер. Статикалық нейрондық жүйелер өзінің құрамында кері байланыс пен кешігу элементтерінің болмацымен ерекшеленеді. Дәйекті берілетін векторларды бір уақытта ... ... ... ... ... болатындықтанолардың әрекеті кіріс вектордың түрінен тәуелсіз болады. Сондақтан статикалық жүйелер моделі ... ... ... ... ... екі кіріс векторлы және активация функциясы сызықты болатын бір қабатты жүйе ... ... ... жүйені құру үшін ППП NNT-дағы newlin М-функциясы пайдаланады. Онда әрбір ... ... ... және ... мәнін беру керек. Біздің жағдайда олар -1 мен 1 ге және ... саны 1-ге ... = ... 1;-1 ... ... мен ... W = [1 2], b = 0 ге тең етіп ... осы мәндерді жүйенің құрылымына пайдаланайық.
net.IW(1,1) = [1 2]; % Присваивание значений весов
net.b(1) = 0; % Присваивание значения смещения
Айталық, жүйеге ... төрт ... ... ... ... ... ... сандық массив түрінде келтіріп аламыз:
Р = [-1 0 0 1; 0 -1 1 -1];
Енді ... ... ... = ... % ... сети net с вектором входа Р и выходом A
А = -1 -2 ... ... ... ... жолағы болған кезде, жүйенің кірісін белгілі бір уақытта берілетін векторладың дәйектілігі ретінде қарастырамыз.
Оны байқау үшін қарапайым кешігу ... бар 1 ... ... ... ... ... жүйені қарастырайық:
% Создание однослойной линейной сети с линией ... [0 ... = ... 1],1,[0 11);
Келесі салмақ матрицасы W = [1 2] және жылжуы нөльге тең ... ... 1} = [1 2]; % ... ... ...
net.biasConnect =0; % Присваивание значений смещений
Мысал ретінде, кірісіміз {-1, -1/2,1/2,1} тең болсын, оны массив ячеек ... ... = {-1, -1/2, 1/2, ... ... sim ... ... модельдеуге болады:
А = sim(net,P) % Моделирование сети net с ... ... Р и ... А
А = [-1] [-5/21] [-1/2] [2]
Биздін жадайда жүйенің шығысы келесідей қалыптасады:
a(t) = p(t) + ... ... ... өзгеруі кезінде, шығысқа берілетін элементтердің тәртібі өзгереді. ... осы ... ... бір ... беретін болсақ, онда басқа реакцияны аламыз. Ол үшін ... ... ... ... ... = [-1 -1/2 1/2 ... модельдегеннен кейін:
А = sim{net,P) % Моделирование сети
А = -1 -1/2 1/2 ... ... ... бөлек жүйеге беріп, шығысын есептесек, тура осындай нәтижені көрсетеді. ... ... ... шарты берілгендіктен, өздігінен олар нөлге тең болады. Ондай жағдайда жүйенің шығысы:
Ал егер жүйеге 2 жүйелікті (последовательность) берсе:
P1(1) = [-1], ... P1(3) = [l/2], P1(4) = ... = [1], P2(2) = [1/2], P2(3) = [-1/2], P2(4) = [-1]. ... ... ... Р ... ұяшық құрылымы (массив ячеек) түрінде болады:
Р = {[-1 1] [-1/2 1/2] [1/2 -1/2] [1 ... ... ... ... = ... % Моделирование сети net с входным сигналом P и выходом А
Нәтижесінде ... ... = {[-1 1] [-5/2 ... 1/2] [2 -2]}
2 бөлім. Нейрондық жүйелер
2.1 Персептрон
Нейронның персептроны. Осы бөлімнен бастап нейронды жүйелердің нақты жүйелік анализі қарастырылады. Және ... ... ... деп ... ... жүйе.
Персептрон моделінде қарастырылатын неурон, баспалдақты активация функциясы hardlim қолданылады.
Персептронның әр кіріс вектор элементі сәйкесінше салмағы ... wij , және ... ... ... ... ... болады. Персептронның нейроны 1 ді өлшейді, егер активация функциясы n>=0; және 0 болса, n

Пән: Физика
Жұмыс түрі: Курстық жұмыс
Көлемі: 18 бет
Бұл жұмыстың бағасы: 700 теңге









Ұқсас жұмыстар
Тақырыб Бет саны
Асинхронды қозғалтқыштар11 бет
Магнитогидродинамикалық генератор9 бет
Синхронды машиналар17 бет
Электр слесарлық қондырғы19 бет
Өндірістік тәжірибе бойынша есеп беру 5В061200 – «Метеорология» мамандығы бойынша40 бет
Радиотехникалық динамикалық хаос генераторларының энергетикалық тиімділігін анықтау40 бет
Хаостық генераторлар және олардың қолданыс аясы23 бет
Нейрожүйе9 бет
Үш қабатты нейрондық торды c++ және matlab орталарында модельдеу54 бет
«Есте сақтау құрылғыларының классификациясы.динамикалық жад контроллері»5 бет


+ тегін презентациялар
Пәндер
Көмек / Помощь
Арайлым
Біз міндетті түрде жауап береміз!
Мы обязательно ответим!
Жіберу / Отправить


Зарабатывайте вместе с нами

Рахмет!
Хабарлама жіберілді. / Сообщение отправлено.

Сіз үшін аптасына 5 күн жұмыс істейміз.
Жұмыс уақыты 09:00 - 18:00

Мы работаем для Вас 5 дней в неделю.
Время работы 09:00 - 18:00

Email: info@stud.kz

Phone: 777 614 50 20
Жабу / Закрыть

Көмек / Помощь