Жасанды интеллект және нейрондық желілер



Жұмыс түрі:  Дипломдық жұмыс
Тегін:  Антиплагиат
Көлемі: 61 бет
Таңдаулыға:   
Мазмұны

Белгіленулер мен қысқартулар7
Кіріспе8
1 Жасанды интеллект және нейрондық желілер12
1.1 Жасанды интеллект: зерттеулер күйі12
1.2 Жасанды интеллект және нейрондық желілердің перспективті
бағыттары17
1.3 Нейрондық желілердің классификациясы және оларды үйрету20
1.4 Логикалық нейрондық желі негізінде шешімді қабылдау жүйесін
құру әдісі28
2 Көп критерийлі есептерді шешу үшін нейрондық желілерді қолдану36
2.1 Есеп қойылымы36
2.2 Шешім қабылдауға әсер ететін факторлар38
3 Нейрондық желілерді құру, үйрету және модельдеу41
3.1 Matlab бағдарламасындағы нейрондық желілер типтері және
ерекшеліктері41
3.2 Нейрондық желіні құру47
3.3 Нейрондық желіні оқыту52
3.4 Алынған зерттеулер нәтижесінде шешім қабылдау59
Қорытынды61
Пайдаланылған әдебиеттер тізімі64
Қосымша А66
Қосымша Ә69

Аңдатпа

Бұл дипломдық жұмыс нейрондық желілер көмегімен ұялы телефон моделін таңдауды зерттеу үшін арналған. Ұялы телефон моделін таңдау үшін қажетті факторлар мен атрибуттар анықталды.
Дипломдық жұмыс 3 бөлімнен тұрады. Теориялық бөлімде нейрондық желілер туралы зерттеулер, олардың классификациялары, қолдану аясы және оларды үйрету туралы ақпараттар көрсетілген.
Практикалық бөлімде Matlab ортасында нейрондық желілерді құру, үйрету және модельдеу қарастырылған.
Дипломдық жұмыс орындау барысында 30 сурет, 2 кесте және 3 сызба қолданылды. Жұмыстың жалпы беті - 70.

Аннотация

Данная дипломная работа посвящена исследованию применения нейронных сетей для выбора модели сотового телефона. Были определены нужные факторы для выбора модели сотового телефона.
Дипломная работа состоит из 3 частей. В теоритической части показаны данные про исследования нейронных сетей, классификации, сфера их использования и как они обучаются.
В практической части рассмотрено создание, обучение и моделирование нейронных сетей в среде Matlab.
При выполнении дипломной работы были использованы 30 картинок, 2 таблицы и 3 схемы. Общая страница работы - 70.

Abstract

This thesis work investigates the application of neural networks to select a cell phone model. Were identified the necessary factors to select the model of cell phone.
The thesis work consists of 3 parts. In the theoretical part shows data about the research of neural networks, classifications, area of their use and how they learn.
In the practical part describes the creation, training and simulation of neural networks in the environment of Matlab.
To perform the thesis work were used 30 images, 2 tables and 3 schemes. Total page 70 worksheets.

Белгіленулер мен қысқартулар

АЖ
- Ақпараттық жүйелер

ЖИ
- Жасанды интеллект
ЖНЖ
- Жасанды нейрондық желілер
ШҚЖ
- Шешімді қабылдау жүйесі
NNT
- Neural Network Toolbox

Кіріспе

Қазіргі таңда адам қызметіндегі әртүрлі облыстарда талдау мәселесі жиі туындайды. Бұл дипломдық жұмыста талдауда қуатты құрал болып табылатын нейрондық желілер көмегімен ұялы телефон моделін таңдау тақырыбы қарастырылады.
Нейротехнологиялар адам миының бас бөлігін моделдейді. Тарихи түрде адам миының тек қана жұмысын емес, құрылымын да моделдейтін интеллектуальды құрылғылар құру бойынша ең алғашқы жұмыс болып Мак-Каллок және Питтс мақаласы саналады. Бұл авторлар адам миының нейронын моделдейтін математикалық нейрон гипотезасын алға тартты. Мак-Каллок пен Питтс идеясы Фрэнк Розенблаттпен жүзеге асты. Элементтік қор ретінде Мак-Каллок пен Питтс модельді нейрондары бар және персептрон деп аталған бұл құрылғы күрделі интеллектуальды тапсырма - латын әліппесі әріптерін тануды шешуге үйретілді. Персептрон құрылымы күрделенді, математикалық нейрон үлгісі жақсартылды, үйрету алгоритмдерінің көптеген түрлері ойлап табылды, сонымен бірге нейрожелілер көмегімен шешілетін тапсырмалардың аумағы кеңейді.
Нейронды желілер өз табиғаты бойынша сызықты емес және өздігінен өте күрделі деңгейдегі есептерді жүзеге асыруға рұқсат беретін модельдеудің қуатты тәсілі болып табылады. Көптеген жылдар уақытында көптеген облыстарда негізгі тәсіл негінде сызықты тәсіл қолданылды, өйткені ол үшін оңтайландыру үрдістері өте жақсы деңгейде өңделген. Сызықты аппроксимация қанағаттанарлықсыз және сызықтық модельдер нашар жұмыс атқаратын жерлерде, ал бұндай есептер жетерліктей, негізгі құралға нейрондық тәсілдер айналады. Одан бөлек, нейронды желілер айнымалылар санының көп болған жағдайында сызықты байланыстарды модельдеуге рұқсат бермейтін өлшемдік қарғысымен жұмыс істей алады.
Бұл желілер мысал негізінде оқытылады. Қолданушы репрезентативті таңдаманы таңдайды, кейін мәліметтер құрылымын автоматты түрде қабылдайтын оқыту алгоритмін іске қосады. Бұның өзінде, әрине тұтынушыға мәліметтерді қалай таңдау және дайындау керектігі, қажетті желі құрылымын таңдау және нәтижелерді пайымдау керектігі туралы эвристикалық білім жиынтығы қажет етіледі, бірақ, дәстүрлі статистика тәсілдерін қолдануға қарағанда, нейронды желілерді сәтті қолдануға қажетті білім деңгейі қарапайымдау.
Оқыту мүмкіндігі - нейрондық желілердің дәстүрлі алгоритм алдындағы негізгі артықшылығы болып саналады. Техникалық оқыту нейрондар арасындағы байланыс коэффициенттерін табуда аяқталады. Оқыту процесі кезінде нейрондық желі кіріс және шығыс мәліметтер арасындағы қиын байланысты анықтауға, және де жалпылау әрекеттеріне қабілетті. Бұл сәтті оқытылу жағдайында желі оқытылған іріктемеде болмаған мәліметтер негізінде дұрыс нәтиже қайтара алады.
Нейронды желі нақты бір тапсырманы шешу қабілетіне ие болуы үшін, яғни, әрбір кіріс дабылына қажетті шығыс дабылын беру үшін, желінің параметрін сәйкесінше баптау қажет. Баптау жұптан (кіріс, қалаған шығыс) - оқытылатын мысалдардан тұратын оқытатын таңдау бойынша жүреді.
Шешілетін есепке байланысты оқытылатын таңдауда сол немесе басқа мәліметтер түрі және әртүрлі кіріс немесе шығыс дабылдарының әртүрлі өлшемдері қолданылады. Оқытылатын таңдаудың мысалдарындағы кіріс мәліметтері - суреттер, сандар кестесі, таратылымдар. Шығыс мәліметтерінің түрлері - бинарлы (0 және 1), биполярлы (-1 және 1) сандар, қандай да бір аралықтағы нақты немесе бүтін сандар. Желінің шығыс дабылдары - бүтін немесе нақты сандардың векторлары болып табылады. Практикалық есептерді шешу кезінде үлкен көлемдегі оқытылатын таңдаулар қажет етіледі. Компьютердің оперативті жадының қатты шектелген көлемі үшін, оған үлкен оқытылатын таңдаулар енгізу мүмкін емес. Сондықтан, таңдаулар беттерге - мысалдар тобына бөлінеді. Уақыттың әрбір сәтінде мысалдардың бір-ақ қана беті компьютер жадында сақталып қалады, ал қалғандары - қатқыл дискіде сақталатын болады. Беттер тізбектесіп, компьютер жадына жүктеледі. Желінің оқытылуы барлық беттер жиынтығы, барлық оқытылатын таңдаулар бойынша жүреді.
Әртүрлі практикалық есептерді шешу үшін нейронды желілердің әр қилы үлгілері сұралынады. Нейронды желі үлгісі желінің байланыс құрылымымен және нейрондар үлгісімен анықталады. Өзара синоптикалық байланыстармен байланысқан желі жасанды нейрондар элементтерінен құралады. Кіріс дабылдарының түрленуінен желі жұмысы құралады, нәтижесінде желінің ішкі күйі өзгереді және шығыс әсер қалыптасады. Әдетте, нейрондық желілер символдық өлшеммен емес, сандық өлшеммен операцияланады.
Нейронды желілер интуитивті көзқараспен қарағанда, нервті жүйенің биологиялық үлгісі негізінде болғандықтан тартымды. Болашақта осындай нейробиологиялық үлгілердің дамуы адам қызметіндегі кез-келген облыстағы болашаққа болжам бере алатындай шынымен ойланатын компьютерлердің құрылуына әкеліп соға алады.
Жұмыстың өзектілігі - соңғы бірнеше жылда нейрондық желілерге қызуғышылық жарылысы байқалады, олар әртүрлі облыстарда қолданыс тапты - бизнесте, медицинада, геологияда, физикада. Нейрондық желілер болжамдау, кластерлеу және басқару тапсырмалары шешілетін барлық жерлерде қолданысқа енді. Нейрондық тәсілдердің сызықтық емес модельдеу мүмкіндіктері және салыстырмалы жүзеге асыру қарапайымдылығы сияқты сипаттамалары оларды жиі күрделі көп өлшемді есептерді шешуде тең келмес болып табылады.
Дипломдық жұмыстың мақсаты - ұялы телефон моделін таңдауда әсер ететін факторлар мен атрибуттарды анықтап, мөлшерлі белгілі бір моделді анықтау. Ұялы телефон моделін таңдауға әсер ететін тікелей және жанама факторларды анықтағаннан кейін де, әлі де көп сұрақтар болады. Дипломдық жұмыста қойылған мақсатқа жету үшін келесідей міндеттер алға қойылады:
Жасанды интеллект және нейрондық желілер, нейротехнологиялар жөнінде зерттеу жүргізіп, ақпараттар жинақтау;
Ұялы телефон моделін таңдауға қажетті факторлар мен атрибуттарды анықтап, оларға зерттеу жүргізу;
Зерттеу нәтижесінде алынған факторларды лингвистикалық шкала бойынша жіктеп, Matlab ортасында нейрондық желі құру;
Құрылған нейрондық желіге тестілеу жүргізіп, алынған зерттеулер нәтижесінде шешім қабылдау.
Дипломдық жұмыстың зерттеу объектісі болып нейрондық желі құру арқылы ұялы телефон моделін таңдауды үйрету үрдісі табылады.
Зерттеу пәні. Дипломдық жұмыс тақырыбының таңдалынуы берілген облыста жасанды интеллект тәсілдерін қолдану жеткілікті түрде кең таралмағандықтан, таңдалып алынды. Зерттеулер көмегімен нейрожелілік жүйелер сәйкес келетін телефон моделін таңдауда, қажетті атрибуттарды ауыстыра отырып, қолданылады.
Жұмыстың ғылыми жаңалығы ұялы телефон моделін таңдауда нейрондық нейрондық желілерді құру, үйрету және модельдеу үшін есептерді шешу және есеп қойылымын қоюмен қорытындыланады.
Дипломдық жұмыстың практикалық маңыздылығы үйретілген нейрондық желіні қолданушыға өз таңдауы бойынша тестілеу жүргізуден тұрады.
Дипломдық жұмыс құрылымы: Дипломдық жұмыс құрамына жұмысты жазу кезінде қолданылған кіріспе, теориялық және практикалық бөлім, қорытынды және пайдаланылған әдебиеттер тізімі кіреді. Кіріспе дипломдық жұмыстың негізгі сипаттамаларын сипаттайды: мәселе, өзектілік, объект, пән, мақсат және міндеттер, сонымен қатар зерттеу объектісі және тәсілдері. Сонымен бірге кіріспеде зерттеу мәнділігі анықталған, жұмыс құрылымы сипатталған, және де әрбір бөлімдер мен қорытындының қысқаша сипаттамасы берілген.
Дипломдық жұмыстың теориялық бөлімі құрамында жасанды интеллекттің зерттеулер күйі, перспективті бағыттары, нейрондық желілер, олардың классификациялары , үйрету алгоритмі, нейрондық желі негізінде шешімді қабылдау әдістері туралы ақпараттар жазылған. Сонымен қатар, дипломдық жұмыстың жазылу ретін анықтау үшін есеп қойылымы және нейрондық желіні құру үшін қажетті факторлар мен атрибуттар осы бөлімде жазылған.
Жұмыстың практикалық бөлімі келесідей құрамнан тұрады: Факторлар мен атрибуттардың лингвистикалық шкалаға сәйкес жіктелуінің кестелік түрдегі бейнесі, Matlab бағдарламалық ортасының Neural Network Toolbox командасының жұмыс істеу алгоритмі, нейрондық желіні енгізілген деректер арқылы үйрету, ақиқаттылыққа тексеру және тестілеуден өткізу үрдістері.
Дипломдық жұмыстың қорытынды бөлімінде теориялық ақпараттар мен практикалық зерттеулер нәтижесі қорытындыланған. Қойылған есептерді шешу дәрежесінің және зерттеудің негізгі мақсатының жету сипаттамалары берілген. Өткізілген жұмыстың нәтижесі мен қорытындысы көрсетілген.
Пайдаланылған әдебиеттер тізімі ғылыми - методологиялық зерттеу уақытында қолданылған оқулықтар және web - парақшалар тізімінен құралған.

Жасанды интеллект және нейрондық желілер

Жасанды интеллект: зерттеулер күйі

Ақпараттық жүйе - қойылған мақсатқа қол жеткізу үшін мәліметтерді сақтау, өңдеу және жіберу үшін қолданылатын қызметкерлер, тәсілдер және құрал-саймандар жиынтығы. Әртүрлі облыстағы кейбір тапсырмаларды шешу барысында ақпараттық жүйелер мәліметтердің жиынтығы,сақталуы, өңделуі, ізделінуі және жіберілуі үшін жауап береді.
Автоматтандырылған ақпараттық жүйе - өзіне компьютерлік және коммуникациялық құрылғыларды, бағдарламалық қаматамаларды, ақпараттық дерек көздерін және жүйелік персоналды қосатын жиынтық.
Шешім қабылдау мақсатында және қолданушылардың ақпараттық қажеттіліктерін қамтамасыз ету үшін бұл жүйе шынайы әлемнің кейбір облысының динамикалық ақпараттық моделінің нақты қолдауын жүзеге асырады.Автоматтандырылған АЖ құрылымы (1.1 суретте) көрсетілген.
Автоматтандырылған ақпараттық жүйе
Автоматтандырылған ақпараттық жүйе

Ақпараттық технологиялар
Ақпараттық технологиялар
Атқарымды ішкі жүйелер және қосымшалар
Атқарымды ішкі жүйелер және қосымшалар
АЖ басқару
АЖ басқару

Қызметкерлер
Қолданушылар
Жедел түрде
Қаржылық
Қауіпсіздік
АЖ дамуы
Қызметкерлер
Қолданушылар
Жедел түрде
Қаржылық
Қауіпсіздік
АЖ дамуы
Өндіріс
Бухгалтерия
Қаржылар
Кадрлар
Маркетинг
Өтім
Өндіріс
Бухгалтерия
Қаржылар
Кадрлар
Маркетинг
Өтім
Аппараттық құрылғылар
Бағдарламалық құрылғылар
Деректер
Телеқатынас
Аппараттық құрылғылар
Бағдарламалық құрылғылар
Деректер
Телеқатынас

Сурет 1.1 АЖ құрылымдық элементтері

Корпоративті ақпараттық жүйелер - филиал және кеңсе арасында шекаралық бөлінуге ие және фирма немесе ұйымдарды басқару бойынша көптеген функцияларды автоматтандыратын ақпараттық жүйе [1].
Кәсіби үдерістер мәліметтерінің сенімді қамтамасыздануы үшін қолданушымен ақпараттық жүйелер қолданылады. Жалпылама өндірісте ақпараттық жүйелер үдерістерінің негізгі бөліктері болып экономикалық шешімдер, ғылыми жобалар, экологиялық және әлеуметтік шешімдер түрлерінің жүзеге асуы және қабылдануы үшін қажетті мәліметтерді іздеу және ұйымдастыру табылады.
Белгілі бір аймақ терезесінде ақпараттық жүйенің мақсаты көптеген тұтынушылардың ақпараттық қажеттілігін қамтамасыз ету болып табылады.
Қолданушы сөзінен жеке физикалық тұлға, сонымен қатар, олардың ішкі бөлімдері мен филиалдарынан тұратын заңды тұлғаларды түсінеміз. Осы қолданушылар үшін де АЖ ақпараттық өнімдер шығарады, одан бөлек, мәліметтердің жақсы өңделуі үшін қолданушының сыртқы және ішкі орталарының үлгілерін қолданады [2].
Заманауи ақпараттық жүйелер келесідей негізгі тапсырмаларды шешеді:
Ұзақ уақыт мерзімінде жиналатын ақпарат үлкен маңыздылыққа ие. Адами факторлар кесірінен туындауы мүмкін қателерді болдыртпау үшін және ақпаратты өңдеу үшін кететін уақыт пен шығынды үнемдеу үшін ақпараттық жүйелер қолданылады.
Әртүрлі құрылымдағы ақпараттарды сақтау. Дамыған ақпараттық жүйелер әртүрлі мәліметтер файлдарымен жұмыс істейді. Ақпараттық жүйедегі маңызды критерий болып оның даму мүмкіндігі саналады. Жүзеге асуы үшін жаңа құрылыммен қосымша деректер қажет болатын жаңа функционалдылықта қажеттіліктер туындауы мүмкін. Одан бөлек, ертерек жинақталған ақпарат өзгеріссіз қалуы керек. Бұл жүзеге асуы үшін нақты бір құрылыммен мәліметтерді сақтайтын сыртқы жадының бірнеше файлдарын қолдануға болады. Берілген құрылым файл жазбасы үшін немесе нақты бір АЖ үшін жазылған кітапхананың бөлек функциясы қолдауына ие болу үшін арналған болуы мүмкін. Мәліметтер сақтау қоры файлдарға негізделетін ақпараттық жүйелер бар. Осы жүйелердің дамуы нәтижесінде оларға деректер қорымен басқару жүйесінің әртүрлілігін көрсететін бөлек компонент бөлінеді.
Қоғамда қолданылатын әртүрлі типтегі мәліметтер ағынын болжау және зерттеу жүргізу. Мәліметтер таралу каналы арқылы өтетін ақпараттар ағынын зерттеу мақсаты олардың минимализациясы, және де оларды есептеуіш машиналарда өңдеуге бейімдеу болып табылады.
Мәліметтерді сақтау тәсілдерін зерттеу, әртүрлі ақпараттарды суреттеу үшін арнайы тілдерді және мәліметтерді қысу мен кодтау әдістерін құру. Бұл бағытта есептеуіш машиналар үшін қолжетімді әртүрлі облыстағы мәліметтерді сақтайтын деректердің үлкен көлемін құру бойынша жұмыстар дамып келеді.
Есептеу машиналарына бағдарланған емес, олардың процедуралар құру және жүзеге асуы үшін техникалық құралдар арқылы адаммен қабылдауға арналған құжаттардан үлкен ақпараттарды алу үрдістерін авоматтандыру.
Шынайы тілде қалыптасқан ақпараттық сақтау қорына сұраныс тастауға ғана емес, осындай түрдегі сұраныстардың арнайы тілдерінде бағытталған ақпараттық-іздеу жүйесінің автоматизациясы.
Ақпаратты өңдеу және жіберу үшін байланыс құралдарының терминалдары және мәліметтер банкісінен тұратын желілер өңдеуі. Жүйе арналған жапсырмалы облысқа байланысты, олардың жүзеге асуы үшін техникалық құралдардың нақты тапсырмалары бар. Ақпараттық қосымшаларды қолдану облыстары әртүрлі: банк және басқару істерінен бастап , біліммен аяқталады [3].
Ұйымдастыру әдісі бойынша АЖ классификациясы. Ғаламтор - технологиялардың дамуы барысында негізгі критерий бағдарламалық құралдардың саймандық құрылуына әкеледі. Алайда, деректер қорымен жұмыс істейтін бағдарламалар өңделуі үшін дамыған саймандар жоқтың қасы. Деректер қорымен жұмыс істейтін ақпараттық жүйелердің шығарылуы және қолданылуында сенімділерін құрудың жауапты шешімі болып, ғаламтор - технологияның көп деңгейлі архитектурамен байланысы табылады. Бұның өзінде ақпараттық бағдарламалар құрылымы түрі өзгереді: браузер - қосымша сервері - деректер қорының сервері - динамикалық парақшалар сервері - веб-сервер.
Ұйымдастыру әдісі бойынша АЖ (1.2 суретте) көрсетілгендей келесідей кластарға жіктеледі:
Ақпараттық жүйелер
Ақпараттық жүйелер

Файл - сервер құрылымы негізінде
Файл - сервер құрылымы негізінде
Клиент - сервер құрылымы негізінде
Клиент - сервер құрылымы негізінде
Көп деңгейлі құрылым негізінде
Көп деңгейлі құрылым негізінде
InternetIntranet технологиясы негізінде
InternetIntranet технологиясы негізінде

Сурет 1.2 Ұйымдастыру әдісі бойынша АЖ бөлінуі

Графикалық интерфейс өңдеу жұмысын жеңілдету үшін файл - сервер құрылымы ақпаратты көрсету үшін компьютерді қолданады. Қолданушылар мен қосымшалар файл - сервер файлдардан ақпараттарды алып жатқандықтан, орталық процессорге күш түсіреді. Әрбір жаңа клиенттің келуімен, есептеу машинасының қуаты артады [4].
Бірақ бұл құрылымның өз кемшілігі бар: желі ауырлайды, бұл деректер қорына сұраныс кезінде клиентке мәліметтердің үлкен қоры жіберілгендіктен, реакциялардың болжамсыз уақытына әкеліп соғады. Бұл әсіресе, төменгі жылдамдықтағы байланыс каналдары арқылы файл-сервер құрылымының негізінде деректер қорына қашықтан қатынасу жүзеге асуына үлкен әсерін тигізеді. Желіде файл-сервер қосымшаларымен қашықтан басқару бұл кемшілікті жоюдың бірден-бір амалы болып табылады. Әдеттегі файл-серверлік қосымшалар рұқсат серверімен орналасқан қосымшалар сервері орналасқан локальді желіде орындалады. Ерекшелігі, бұл мүмкіндік серверлері арқылы қашықтағы қолданушылардан диалогті енгізу және шығару түседі. Қиын қосымшалардың сервері үшін ең мықты платформа қажет, әйтпесе деректер қоры серверінің шамадан артық тиелу қаупі туындайды.
Жасанды интеллект атты ғылым компьютерлік ғылымдар жиынына кіреді, ал оның негізінде құрылатын технологиялар ақпараттық технологиялар қатарына енеді. Бұл ғылымның міндеті есептеу жүйелері мен басқа да жасанды құрылғылар көмегімен есті пайымдау мен әрекеттерді қамтамасыз ету болып табылады. Бұл жолда келесідей негізгі қиындықтар туындайды:
а) көп жағдайда нәтижені алғанға дейін есепті шешу алгоритмі белгісіз. Мысалы, мәтінді түсіну, теореманы дәлелдемесін іздеу, әрекеттер жоспарын құру, суретті тану қалай өтіп жатқаны дәл белгілі емес.
б) жасанды құрылғылар (мысалы, компьютерлер) бастапқы біліктіліктің жеткілікті деңгейіне ие емес. Маман өзінің біліктілігін (жеке түрде, білімі және тәжірибесі) қолдана отырып, нәтижеге қол жеткізеді.
Бұл жасанды интеллект тәжірибелі ғылым ретінде танылатынын білдіреді. Жасанды интеллекттің тәжірибелілігі зерттеуші сол немесе басқа компьютерлік көрініс және үлгілерін құра отырып, олардың өзара әрекеттерін және маман есептеген сол есептердің шешілу мысалдарымен салыстырады, нәтиженің жоғарғы дәрежесіне қол жеткізу үшін, осы салыстырулар негізінде оларды түрлендіруде [5].
Жасанды интеллект аумағындағы зерттеулердің негізгі бағыттары:
Білімнің көрсетілуі және пайымдауды үлгілеу.
Білімнің көрсетілуі - жасанды интеллекттің қалыптасқан бағыттарының бірі. Дәстүрлі түрде оған когнитивтік құрылымдарды көрсету және суреттеу үшін қажетті формальды тілдер мен программалық құралдарды өңдеу жатады. Бүгінгі күнде білімнің көрсетілу тізіміне дескриптивті логика, кеңістік пен уақыт логикалары, онтология бойынша зерттеулер кіреді.
Кеңістік логика кеңістік аумақтар, кеңістіктегі объекттер, сонымен қатар, кеңістіктік қатынастар құрылымы конфигурациясын бейнелеуге рұқсат береді.
Дескриптивті логика объекттері болып концепттер (эксперттік жүйедегі объекттерді бейнелеу үшін қажетті базалық құрылым)және бір бүтінге жинақталған концепттер көпшілігі (агрегатталған объекттер) табылады.
Онтологиялық зерттеулер білімнің концептуальдылығына және білім анализы үшін қажетті саймандар құрылғыларын өңдеу бойынша методологиялық ой амалдарына арналған.
Білімді игеру, машиналық оқу және автоматты гипотезаның шыққан нәтижесі.
Интеллектуальды жүйеде білімді игеру аумағындағы жұмыстар жасанды интеллекттің теория және практика бағытындағы маңызды болды және солай қала береді. Бұл жұмыстардың мақсаты методология, технология және жүйенің білім базасына көшірілетін программалық құралдар құрылымы болып табылады. Соның өзінде, білімнің көзі ретінде эксперттер (яғни, жоғары деңгейлі пәндік аумақтар мамандары), мәтіндер және, мысалы, деректер қорында сақталатын мәліметтер шығады.
Мәліметтердің интеллектуалды анализі және бейнелі ақпарат өңделуі.
Бұл негізін екі процедура құрайтын салыстырмалы түрде жаңа бағыт: бастапқы ақпараттағы заңдылықты табу және болжам үшін табылған заңдылықтарды қолдану. Бұл жерге ақпараттық мәліметтердің үлкен құрылымынан қажеттіні таңдау, белгілі бір объекттің сипаттамалары қатарынан қажетті ақпараттық сипаттаманы таңдау есебі, таңдалған ақпараттық сипаттамалар мәндерінен таңдауға рұқсат беретін модельді құру есебі жатқызылады. Бағыттың маңызды бөлігін бейнені танудың әртүрлі аспекттері бойынша зерттеулер құрайды, жеке түрде, нейрожүйелер көмегімен (псевдооптикалық нейрожүйелерді қоса алғанда). Декларативті амал мен семантикалық түрде маңызды ақпараттың алынуы негізінде тізбектес видеобейнелерді тану амалдары зерттеледі. Бұл бағытқа сонымен бірге, ғаламторда графикалық технологиялар программалау бойынша зерттерулер кіреді.
Көп агенттік жүйелер, динамикалық интеллектуальды жүйелер және жоспарлау.
Бұл интеллектуальды программалық агенттер және олардың ұжымын зерттейтін жаңа (теориялық бөлімде жақсы ұмытылған ескі) бағыт. Интеллектуальды агент бұл төмендегідей қабілеттерге ие программалық жүйе:
Автономдық: агенттер адамның қатысуынсыз әрекет етеді және кейбір жағдайларда өз әрекеттерін өздері басқара алады;
Әлеуметтік қабілеттер: агенттер басқа агенттермен (және, мүмкін адаммен) коммуникацияның кейбір тілдерінің көмегімен әрекеттеседі;
Реактивтілік: агенттер физикалық әлем болуы мүмкін қоршаған ортаны басқа агенттердің көпшілігі, Ғаламтор желісі немесе осылардың барлығының жиынтығы деп қабылдап, оның өзгерісіне реакция жасайды;
Активтілік: агенттер ықылас таныта отырып, мақсатты түрде әрекет көрсетуі мүмкін [6].
Бұл аумақтағы негізгі тапсырмалар мынадай: интеллектуальды агенттер араласуын жүзеге асыру және бұл мақсатқа қажетті тілдерді өңдеу, агенттер әрекеттерінің координациясы, агенттерді программалау тілдерінің архитектурасын өңдеу [7].
Әрекеттерді жоспарлау, немесе ЖИ - жоспарлау - бұл интеллектуальды жүйенің қажетті мақсатты күйге жету үшін қажетті әрекеттер тізбегін синтездеудің қабілеті. Бұндай синтездің әсерлі әдістерін құру бойынша жұмыстар қажет және 30 жыл шамасында белсенді түрде жүргізіліп келеді. Жоспарлау интеллектуальды басқару, яғни программалы-техникалық жүйелердің автономды мақсатты әрекетін автоматты түрде басқару негізі болып табылады.
ЖИ-жоспарлау әдістері арасында бүгінгі күнде мыналар ерекшелінеді:
Классикалық жоспарлау - статикалық орта шарттарында жоспарлау;
Динамикалық жоспарлау - орта шарттарын өзгерту шарттарында жоспарлау, және бастысы, мұндай өзгерістерді есепке алу;
Иерархиялық жоспарлау - жоғары деңгейлі абстрактылы жоспар әрекеттері төменгі деңгейлі өте бөлшекті жоспармен нақтылануы;
Жартылай реттелген (немесе монотонды) жоспарлау, жоспардың жартылай реттелген подплан көпшілігімен реттелуі.
Жоспарлау есептері біздің уақытта ЖИ-да өте маңызды және перспективті бағыттар қатарына кіреді.
Шынайы тіл, қолданушы интерфейсін және қолданушы моделін өңдеу.
Бұл бағыт сөйлеу қатынасын қолдау, ақпараттық жүйелердегі сұранысты нақтылау мәселелерін шешу, диалогты басқару есептерімен, әртүрлі эвристиканы қолданумен шынайы тілді анализдеу тапсырмаларымен жүйені өңдеумен байланысты. Бұл қатарға дискурс (кейде дискурс сөзінің мағынасында сөздік акттермен олардың нәтижелерінің жиынтығы түсіндіріледі ) мәселелері қосылады [10].
Бұлдыр модельдер және жұмсақ есептеулер.
Бұл бағыт аналогия бойынша шығыс бұлдыр сұлбаларымен, ықтималды позициялармен бұлдыр өлшемдер теориясына көзқараспен, геометриялық объекттерді сипаттау үшін аналилитикалық модельдермен бұлдыр бейнелеу, өмір уақыты және популяция мөлшері секілді динамикалық параметрлермен эволюциялық модельдеу алгоритмдерімен, генетикалық іздеу, гомеостатикалық және синергетикалық принциптер және өзін - өзі ұйымдастыру элементтерінің технологиясын қолданумен оптимальды есептерді шығару тәсілдерімен таныстырылады [11].
Саймандық құралдарды өңдеу.
Бұл алдына келесідей тапсырмаларды қоятын жасанды интеллект ішіндегі кең қызмет аймағы:
а) біліктілікті білім базасына автоматты тасымалдау үшін қажет білімді игерудегі программалық құралдарды құру. Біліктіліктің көзі ретінде тек қана оның тура тасымалдаушылары - әртүрлі аумақтың эксперттері емес, сонымен бірге мәтіндік материалдар - оқулықтардан протоколдарға дейін, және де әрине деректер қоры (жасырын білім көзі). Вербалдану, яғни осындай қайнар көздерді жасырын формаға ауыстыру қордан білімді табу тәсілдерінің жиынтығын құрайды, және де мысалдар бойынша оқытудың (деректердің үлкен массивін алдағы анализ үшін өңделуін қоса алғанда ) әртүрлі тәсілдерін құрайды;
б) білім қорын қолдайтын программалық құралдар реализациясы;
в) интеллектуальды жүйелерді жобалауды қолдау программалық құралдар реализациясы. Мұндай құралдардың жиынтығын әдетте мәтіндер редакторы, түсініктер редакторы, концептуальды модельдер редакторы, модельдер кітапханасы, эксперттерден білімді игеру жүйесі, мысалдар бойынша оқыту құралдары және басқа да модульдер қатары құрайды [12].

Жасанды интеллект және нейрондық желілердің перспективті
бағыттары

Бүгінгі таңда болашақта техника мен технологияда сапалы өзгерістерге алып келетін жасанды интеллектте бағыттардың біраз қатарын сызып көрсетуге болады. Бұл жерде солардың кейбіреулеріне көзқарас білдіріледі:
Кеңістік туралы пайымдау - өте жаңа емес, бірақ қызу дамып келе жатқан жасанды интеллект аймағы, барлық автономды ұялы телефондар құруда, суреттерді анализден өткізу, суреттер бойынша мәтіндік сипаттау синтезі тапсырмалары жұмыстарымен байланысты өсетін қолданбалы мәндерге ие.
Интеллектуальды агенттер технологиясына негізделген амалдарды үлкен программалық өнімдерді, соның ішінде ірі әрі қиын жүйелермен (бұл жерге телекоммуникациялық жүйелер, таратылған өнеркәсіптер, әскермен, көліктермен, желілермен басқару жүйелері, ақпараттың таратылған ізделінуі) басқару құралдарын өңдеудегі перспективті деп мойындау қажет.
Жасанды интеллекттің мәтіндердің табиғи тілде машиналық анализге әсер ететін идеялар мен тәсілдерін күту қажет. Бұл әсер, әсіресе семантикалық анализ бен оның тәсілдерімен байланысты синтаксистік анализге әсерін тигізеді - бұл аймақта ол семантикалық анализдің қорытынды стадияларындағы әлем моделі есебі ретінде және пәндік аймақ туралы білімді қолдану және де бастапқы стадиялардағы (мысалы, синтаксистік талдау ағаштарын құруда) асып кетулерді азайту үшін қажет ситуативті ақпарат есебінде көрінеді.
Жасанды интеллекттегі маңызды әрі перспективті бағыттарына тәртіптің автоматты түрде жоспарлану есебін кіргізуге болады. Автоматты жоспарлау тәсілдерінің қолдану аймағы - жоғары деңгейлі автономдылық және бағытталған тәртіппен әртүрлі құрылғылар, тұрмыстық техникадан терең космосты зерттеуге қажетті пилотсыз басқарылатын ғарыштық кемелерді айтуға болады [13].
Жасанды нейрондық желілерді модельдеуге қатысты алғашқы жұмыстар қырық жыл бұрын пайда болды. Бұл зерттеулер мидың жұмысын (қабылданатын ақпараттың жалпылану, көптеген деректерден қажетті қасиеттерін алу, функционалданудың жеке тәжірибесі негізінде оқыту және өздігінен оқу қабілеттері) еске салатын, жасанды нейрондық желілерге тиесілі таңғаларлық қасиеттерінің арқасында өте перспективті болып көрінді.
Алайда, сол кездердегі жартылай өткізгішті технологиялар мен зерттеушілердің білімді өңдеу мен қолдану тәсілдері мен жаңа үлгілеріне ауысуына байланысты шығар, бұл саланы зерттеуде тыныштық орнады. Көп жыл өте келе, микроэлектронды технологиялар мен өңдеудің дамуына байланысты, элементтерді жүзеге асырудағы жаңа физикалық принциптер мен өте үлкен мөлшердегі нейрондар санымен нейрондық желі бөлшектерін зерттеу барысында, бұл салаға үлкен қызығушылық пайда болды. Бұл өз кезегінде, нейроматематика және жаңа түрдегі компьютерлер құрылымы - нейрокомпьютерлер облысында зерттеулер лезде активтелді. Нейрокомпьютерлердің дәстүрлі есептеу машиналарынан айырмашылығы, есептеу негізі ретінде қарапайым түрдегі алгоритмдер (мысалы, алгоритм сұлбасының графы немесе алгоритмнің логикалық сұлбасы түрінде) емес, қандай да бір нейрожелілі логикалық базистегі есептеу амалдары, яғни баптаудың нақты бір сұлбасының белгілі бір құрылымындағы нейрондық желі түріндегі алгоритм табылады. Дәл осы қасиеті ақпараттың нейрожелілі өңделуін заманауи ақпараттық технологияның бөлек бағыты ретінде қарастыруға мүмкіндік береді [14].
Бәрінен бұрын, нейронды желі туралы айтқан кезде, жасанды нейрондық желі туралы айтылады. Кейбір жасанды нейрондық желілер биологиялық нейрондық желіні моделдесе, кейбіреулері моделдемейді. Алайда, тарихи түрде алғашқы жасанды нейрондық желілер мидың жұмысын қысқартылған түрде жүзеге асыратын компьютерлік үлгіні алу кезеңдері нәтижесінде құрылған. Әрине, адам миының мүмкіншіліктері ең мықты жасанды нейрондық желімен салыстырғанда мықтырақ. Алайда жасанды нейрожелілер биологиялық нейрожелілерге, соның ішінде адам миына да тиісті қасиеттерге ие [19].
Қазіргі таңда шет аймақтарда ғана емес, өз елімізде де ЖИ қарқынды даму үстінде. Қарағандылықтар Әділ Ауғалиев, Олжас Шакиров және алматылық Нәзір Өтебаев өзін-өзі оқытуға қабілетті жасанды нейрондық желіні құрап шығарды. iSAM жүйесі 250 миллион нейронды желілер негізінде құрылған. Жасанды нейронды желі суреттерде және үлкен рұқсат етілетін қабілеттілік заттарымен объекттерді тануға қабілетті және болшақта әрбір заттың сипаттамалық ерекшеліктерін есте сақтап және өз бетімен анықтауға мүмкіндіктері бар. Желі тірі организмнің нервтік ұяшықтарынан тұратын биологиялық желілер ұстанымы бойынша құрылған. Бұл түрдегі жобалар Google және Microsoft - та жүзеге асқан. Бағдарлама 80 % - ға дайын, оны ойлап табушылар өнімді тестілеуге кірісті. Қорытынды нұсқада оны Қауіпсіз қала жобасы үшін қолдануға болады, бұл жерде видео бақылау жүйесі бір жүйеге біріктіріледі. Осы түрде, жасанды ой күнделікті оқиғаларды ғана емес, потенциальды түрде қауіпті деген оқиғаларды да анықтай алады.
Алматы қаласының Ақпараттық технологиялар халықаралық университеті, Басқару және информатика мәселелерінің институты ғалымдары Е.Әмірғалиев, С.Исқақов, Я.Кучин Уранды кен орындарындағы түрлерді тану тапсырмасында машиналық оқыту тәсілдері атты жұмыс жазылған. Бұл жұмыста уранды кен орындарындағы түрлерді тану тапсырмасында жасанды нейронды желілер технологияларының қолданылуымен машиналық оқыту тәсілдері қарастырылған және зерттелген. Машиналық оқыту тәсілдеріне шешім қабылдау ағашынан бастап, генетикалық алгоритмдер, байестік желіден жасанды нейронды желілермен аяқталатын алгоритмдердің кең класы жатады. Дәл осы институттан Кешіктірілген және нақты емес объекттерді басқарудың нейрожелілі жүйесі атты Г.Пащенконың жұмысы жазылған. Бұл жұмыста қойылған тапсырманы шешу үшін жүйелік анализ тәсілдері, басқару теориясы, матрица теориясы, дифференциальдық теңдеулер теориясы, ЖИ теориясы, басқару жүйесін модельдеу, нейронды желілер.
Алматы қаласындағы Әл-Фараби атындағы қазақ ұлттық университетінен М.Сандыбаева, И.Уалиева 2 типті қант диабеті ауруының туындау қаупін анықтау үшін нейронды желі моделін құру жұмысы қорғалған. Бұл зерттеуде 2 типті қант диабеті ауруының туындау қаупін анықтау үшін нейронды желі моделі құрылған. Зерттеуде қант диабетіне әсер ететін факторлар анықталған әртүрлі жастағы емделушілер таңдап алынған. Осы зерттеу медицина қызметкерлеріне қант диабеті ауруы қаупі бар емделушілерге қауіп дәрежесін анықтап беруге, оларға қосымшалар шаралар қолдануға және де персонал жұмысын автоматтандыруға көмектесе алады.

Нейрондық желілердің классификациясы және оларды үйрету

Нейрон деген атаудағы элементтермен құралған адамның нервтік жүйесі таңғаларлықтай күрделілікке ие. 1011 шамасындағы нейрондар метр немесе одан да көп ұзындыққа ие шамамен 1015 жіберілетін байланыстарда қатысады.
(1.3 суретте) әдеттегі биологиялық нейрондар жұбының құрылымы көрсетілген. Дендриттер нервті жасуша денесінен басқа нейрондарға барады, олар қосылу нүктесінде синапстар деп аталатын дабылдарды қабылдайды. Синапс қабылдаған кіріс дабылдары нейрон денесіне келіп тіреледі. Ол жерде олар қосылады, бір кірістер нейронды қоздыруға тырысса, енді біреулері оның қозуына қарсылық танытуға тырысады. Нейрон денесіндегі қосынды қозу қандай да бір шектен асса, аксон арқылы басқа нейрондарға дабыл жібере отырып, нейрон қозады. Бұл негізгі функционалды сұлбада қиындатулар мен шектеулер өте көп, бірақ та жасанды нейрондық желілердің көп бөлігі тек осы қарапайым қасиеттерді моделдейді [16].

Сурет 1.3 Биологиялық нейрон

Жасанды нейрон бірінші жақындауда биологиялық нейрон қасиеттеріне еліктейді. Кіріске әрқайсысы басқа нейронның шығысы болып табылатын дабылдар жиынтығы келіп түседі. Әрбір кіріс синаптикалық күшке сәйкес келетін салмаққа көбейтіледі, және нейронның автивтелу деңгейін анықтай отырып, барлық қосындылар жинақталады. (1.4 суретте) осы ойды жүзеге асыратын модель көрсетілген. Бұл жерде барлық x1, x2,..., xn белгіленген кіріс дабылдары жасанды нейронға түседі. X векторымен белгіленетін бұл кіріс дабылдары биологиялық нейронның синапсына өтетін дабылдарға сәйкес келеді. Әрбір дабыл сәйкесінше w1, w2,..., wn салмақтарға көбейтіледі және Σ белгісімен белгіленген жинақтаушы блокқа келіп түседі. Әрбір салмақ бір биологиялық синаптикалық байланыстың күшіне сәйкес келеді. Салмақ жиынтығы W векторымен белгіленеді. Жинақтаушы блок өлшенген кірістерді (1) формуладағыдай NET деп аталынатын шығысты құра отыра жинақтайды. Векторлық түрде мынадай түрде жазылынады:
NET = XW (1)

Сурет 1.4 Жасанды нейрон

Бір ғана нейрон танудың қарапайым процедураларын орындауға қабілетті болса да, нейронды есептеулердің күші нейрондардың желіде байланысуынан ағып кетеді. (1.5 суретте) көрсетілгендей, қарапайым желі қабат туғызатын нейрондар тобынан тұрады. Атап өтейік, сол жақтағы төбелер-дөңгелектер тек қана кіріс дабылдарының таратылымы үшін қызмет етеді. Олар қандай да бір есептеулерді орындамайды, сондықтан қабат болып саналмайды. Осы себептен, оларды төртбұрышпен белгіленген есептейтін нейрондардан ажырату үшін дөңгелекпен белгіленген. Х кіріс жиынтығындағы әрбір элемент бөлек салмақпен әрбір жасанды нейронмен байланысқан. Ал әрбір нейрон кірістердің жинақталған қосындысын желіге көрсетеді. Салмақты W матрицасының элементтері деп санаған ыңғайлы. Матрица т жолдардан және п бағандардан тұрады, мұндағы m - кірістер саны, ал n - нейрондар саны. Мысалы, w2,3 - үшінші кірісті екінші нейронмен байланыстыратын салмақ [15].

Сурет 1.5 Бір қабатты нейрондық желі

Күрделірек және ірірек нейрондық желілер ереже бойынша, үлкен есептеу мүмкіндіктеріне ие болады. Елестете алатын барлық конфигурация желілері құрылса да, нейрондардың қабат ішілік ұйымы мидың белгілі бір бөлімдерінде қабатты құрылымдарды көшіріп алады. Көп қабатты желілер бір қабатты нейрожелілермен салыстырғанда, үлкен мүмкіндіктерге ие, және соңғы жылдары олардың оқытылуы үшін алгоритмдер ойлап табылды.
Көп қабатты желілер қабаттардың каскадымен құрыла алады. Бір қабаттың шығысы тізбектегі қабат үшін кіріс болып табылады. Осындай желі (1.6 суретте) көрсетілген және барлық байланыстарымен бейнеленген [17].
Жасанды нейрондық желі - математикалық модель, сонымен бірге қосылған және өзара әрекет ететін қарапайым процессорлар (жасанды нейрондар) арасындағы жүйені көрсететін параллельді есептеулер құрылғысы. Жасанды нейрондық желі математикалық модель ретінде бейнелерді тану және дискриминантты анализ тәсілдері ретінде танылады.

Сурет 1.6 Көп қабатты нейрондық желі

Мұндай процессорлар әдетте өте қарапайым, әсіресе персональды компьютерде қолданылатын процессорлармен салыстырғанда. Әрбір процессор желі секілді ол периодты түрде алатын дабылдармен, және де басқа процессорларға периодты түрде жіберетін дабылдармен жұмыс істейді. Бірақ та, басқарылу әрекеті бар үлкен желіге қосулы болғанның өзінде, мұндай локальды қарапайым процессорлар бірге өте қиын тапсырмаларды орындауға қабілетті. Бұл түсінік мида ойлау кезінде ағып өтетін процестерді зерттеу кезінде және осы процестерді модельдеу кезінде туындады. Алынған модельдер жасанды нейрондық желілер (ЖНЖ) деп аталады. Нейрондық желілер сөздің тура мағынасында программаланбайды, олар оқытылады. Оқыту мүмкіндігі - нейрондық желілердің дәстүрлі алгоритм алдындағы негізгі артықшылығы болып саналады. Техникалық оқыту нейрондар арасындағы байланыс коэффициенттерін табуда аяқталады. Оқыту процесі кезінде нейрондық желі кіріс және шығыс мәліметтер арасындағы қиын байланысты анықтауға, және де жалпылау әрекеттеріне қабілетті. Бұл сәтті оқытылу жағдайында желі оқытылған іріктемеде болмаған мәліметтер негізінде дұрыс нәтиже қайтара алады [18]. Нейрондық желілердің қолданылуын қарастырайық:
Бейнелерді танып білу және классификация. Бейне ретінде табиғаты бойынша әртүрлі объекттер шыға алады: мәтіндердің символдары, суреттер, дыбыстар үлгілері және т.б. Желіні оқыту кезінде бейнелердің әртүрлі үлгілері олардың қай классқа жататындығымен бірге көрсетіледі. Ереже бойынша, үлгі оның белгілерінен шыққан вектор ретінде беріледі. Белгілердің жиынтығы үлгі қарайтын классты міндетті түрде анықтауы қажет. Белгілер жеткіліксіз болған жағдайда, желі бір үлгіні бірнеше класспен ара қатынасын белгілеуі мүмкін, ал бұл қате. Желіні оқыту аяғына жеткен кезде оған бұрын белгісіз бейнелерді көрсетіп, одан белгілі бір классқа тиесілі екендігі туралы жауап алуға болады. Мұндай желінің топологиясы шығыс қабаттағы нейрондар саны ереже бойынша, анықталатын класстар санымен тең екендігімен сипатталады. Осы жерде нейрондық желінің шығысы мен ол көрсететін класс арасында тепе-теңдік орнатылады. Желіге әлдебір бейне берілген кезде, оның шығыстарының біреуінде бейне осы классқа тиесілі деген белгі пайда болуы қажет. Осы уақытта басқа шығыстарда бейне берілген классқа тиесілі емес деген белгі пайда болуы қажет. Егер екі немесе одан көп шығыстарда классқа тиесілі деген белгі болса, онда желі өзінің жауабына сенімді емес деп саналады.
Шешімді қабылдау және басқару. Бұл тапсырма классификация тақырыбына өте жақын. Классификацияға нейрондық желілердің кірісіне келіп түсетін жағдайлар сипаттамасымен келеді. Желінің шығысында ол қабылдаған шешім белгісі пайда болуы керек. Кіріс сигналдары сипаттамасы ретінде басқарылатын жүйелер күйінің әртүрлі критерийлері қолданылады.
Кластерлеу. Кластерлеу мағынасында кіріс сигналдарды класстарға жіктеу, класстың саны да, белгілері де алдын-ала берілмеген деп саналады. Оқытудан кейін мұндай желі кіріс сигналдың қай классқа тиесілі екендігін анықтауға қабілетті. Желі сонымен қатар, кіріс сигнал берілген класстардың ешқайсысына қатысы жоқтығын дабыл арқылы білдіре алады - бұл оқытылатын іріктемедегі жаңа мәліметтердің белгісі болып табылады. Осылайша, осындай үлгідегі желі жаңа, бұрын белгісіз болған дабылдар класын көрсете алады. Желімен белгіленген класстар және пәндік аймақтағы класстар арасындағы қатынас адаммен орнатылады.
Болжамдау және аппроксимация. Нейрондық желінің болжамдауға қабілеттілігі оның кіріс және шығыс мәліметтер арасындағы жасырын байланысын белгілеуге және жалпылауға деген қабілеттерінен тікелей көрінеді. Оқытылудан кейін желі бірнеше алдыңғы мәндер жәненемесе кейбір қазіргі сәтте бар факторлардың негізінде белгісіз тізбектің болашақ мәнін болжауға қабілетті. Айта кетейік, болжамдау алдыңғы өзгерістер болашақты қандай да бір деңгейде анықтаған кезде ғана шынайы. Мысалы, алдыңғы аптадағы бағаларды белгілеу негізінде акцияларды белгілеуді болжамдау сәтті болуы мүмкін (болмауы да мүмкін), ертеңгі лоторея нәтижелерін болжамдау соңғы 50 жылдағы мәліметтер негізінде ешқандай нәтиже бермейтін шығар.
Мәліметтерді қысу және ассоциативті жад. Нейрожелілердің әртүрлі параметрлер арасындағы өзара қатынастарын анықтау қабілеті үлкен өлшемді мәліметтерді егер олар өзара тығыз байланысқан болса, жинақы түрде көрсетуге мүмкіндік береді. Кері процесс - ақпарат бөлігінің бастапқы мәліметтер жиынтығын қалпына келтіру ассоциативті (авто) жад деп аталады. Ассоциативті жад сонымен қатар, бастапқы сигналбейнені шулызақымдалған мәліметтер кірісінен қайта қалпына келтіруге рұқсат береді. Гетероассоциативті жад есептерін шешу мәліметтерді адрестелінетін жадыны жүзеге асыруға рұқсат береді [27].
Енді нейрондық желілердің классификациясын қарастырайық:
Кірістегі ақпарат типі бойынша классификация.
Аналогты нейрондық желілер (ақпаратты нақты сандар формасында қолданады);
Екілік нейрондық желілер (екілік түрде берілген ақпаратпен көрсетіледі).
Оқыту сипаттамасы бойынша классификация.
Мұғаліммен (нейрондық желілер шешімінің шығыс кеңістігі белгілі);
Мұғалімсіз (нейрондық желі шешімнің шығыс кеңістігін кіріс әсерінің негізінде қалыптастырады). Мұндай желілер өзін өзі ұйымдастырушылар деп аталынады;
Сыншымен (айыппұл және ынталандыру белгілейтін жүйе).
Синапсты баптау сипаттамасы бойынша классификация.
Тіркелген байланыстармен желілер (нейрондық желілердің салмақтық коэффициенттері тапсырма шартынан шыға отырып таңдалынады);
Динамикалық ... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.
Ұқсас жұмыстар
Жасанды интеллект желілерін салыстыру
Машиналық оқыту алгоритмін құжаттарды топтау үшін қолдану
Жасанды интеллект тарихының басталуы
Машиналық оқыту әдістерінің болжау жасаудағы маңызы
Жасанды интеллекттің даму тарихы
Жасанды интеллект жүйесін құру
Жасанды интеллект жүйелері
Жасанды интеллектуалды эмоцияны тану жүйелері
Сараптама жүйелерінің мысалдары
Графиканы танудың кейбір әдістері
Пәндер