Editura Universitatii din Bucuresti
An aparitie :2009
ISBN 978-973-737-682-4
Nr pagini :266
Format 210 x 297
Pret : 34,88 lei la Editura
Descrierea
editurii:
Rețelele neuronale artificiale ae folosesc pentru modelarea unor funcții ale creierului: recunoașterea unor forme, tipare, planificarea unor acțiuni pentru roboți, învățarea de informații noi, utilizarea feed-back-ului, pentru a îmbunătăți performanțele.
Majoritatea simulărilor realizate prin rețele neuronale sunt relativ limitate și nu ating enorma complexitate structurală și funcțională a unui creier viu. Totuși, pentru modelarea unor sarcini executate în mod curent de om, rețelele neuronale sunt mai performante decât programele de calculator care utilizează logica și matematica standard.
E important de subliniat că rețelele neuronale sunt artificiale. Ele modelează realitatea și prin astfel de aproximări ale realității biologice fac posibilă o înțelegere mai bună a modului în care se realizează procesarea informațiilor în creierul uman și animal.
Raportat la literatura de specialitate, autorii au folosit termenii cel mai des utilizați și cei mai potriviți pentru noțiunea respectivă, fiind totodată asigurat un grad mai mare de accesibilitate (se folosesc elemente de matematică elementară însușite de persoanele cu cel puțin o educație liceală). De asemenea, cartea cuprinde conceptele și metodele fundamentale ale domeniului, fapt reflectat în ordinea capitolelor, ce urmărește în mare măsură istoria domeniului rețelelor neuronale.
Primul volum se referă la rețelele neuronale care se instruiesc prin metode de supervizare, iar cel de al doilea are în vedere rețelele neuronale instruite fără supervizare și aplicații.
Cuprins:Rețelele neuronale artificiale ae folosesc pentru modelarea unor funcții ale creierului: recunoașterea unor forme, tipare, planificarea unor acțiuni pentru roboți, învățarea de informații noi, utilizarea feed-back-ului, pentru a îmbunătăți performanțele.
Majoritatea simulărilor realizate prin rețele neuronale sunt relativ limitate și nu ating enorma complexitate structurală și funcțională a unui creier viu. Totuși, pentru modelarea unor sarcini executate în mod curent de om, rețelele neuronale sunt mai performante decât programele de calculator care utilizează logica și matematica standard.
E important de subliniat că rețelele neuronale sunt artificiale. Ele modelează realitatea și prin astfel de aproximări ale realității biologice fac posibilă o înțelegere mai bună a modului în care se realizează procesarea informațiilor în creierul uman și animal.
Raportat la literatura de specialitate, autorii au folosit termenii cel mai des utilizați și cei mai potriviți pentru noțiunea respectivă, fiind totodată asigurat un grad mai mare de accesibilitate (se folosesc elemente de matematică elementară însușite de persoanele cu cel puțin o educație liceală). De asemenea, cartea cuprinde conceptele și metodele fundamentale ale domeniului, fapt reflectat în ordinea capitolelor, ce urmărește în mare măsură istoria domeniului rețelelor neuronale.
Primul volum se referă la rețelele neuronale care se instruiesc prin metode de supervizare, iar cel de al doilea are în vedere rețelele neuronale instruite fără supervizare și aplicații.
PREFAŢĂ V
INTRODUCERE VI
PARADIGMA LOGICO-SIMBOLICĂ
(L-S) VI
PARADIGMA CONEXIONISTĂ ! IX
PROPRIETĂŢILE REŢELEI
NEURONALE ÎN COMPARAŢIE CU CALCULATORUL STANDARD....IX
Comparaţie între sistemele neuronale
naturale şi cele artificiale xi
Caracteristicile reţelelor neuronale
artificiale xi
Direcţii de utilizare a RN xii
LEGĂTURA CU ALTE DOMENII XVI
PERSPECTIVE PENTRU VIITOR XVI
BIBLIOGRAFIE XVII
ISTORIA SCURTĂ A REŢELELOR NEURONALE ARTIFICIALE XVIII
1. NEURONUL NATURAL 1
1.1. STRUCTURA NEURONULUI
NATURAL 1
1.2. MEMBRANA NEURONALĂ 3
1.2.1. Structura 3
1.2.2. Starea electrică a membranei
neuronale 4
1.3. EVENIMENTE ELECTRICE
LOCALE LA SUPRAFAŢA MEMBRANEI NEURONALE 6
1.3.1. Depolarizare transmembranară
locală 6
1.4. PROPAGAREA IMPULSULUI
NERVOS. COMUNICAREA INTERNEURONALĂ 8
1.5. NEURONUL NATURAL -
DESCRIERE SINTETICĂ 12
1.6. NEURONUL NATURAL - DESCRIERE
INFORMATICĂ 13
BIBLIOGRAFIE 14
2. NEURONUL ARTIFICIAL 15
2.1. NEURONUL ARTIFICIAL 15
2.2. FUNCŢIONAREA NEURONULUI
ARTIFICIAL 16
2.3. NEURONUL MCCULLOCH ŞI
PITTS 17
2.4. NEURONUL EXTINS - MODEL
TEORETIC 18
2.5. FUNCŢIA DE ACTIVARE
(F1R1NG RULE) 20
2.6. NEURONUL TEHNIC 21
2.7. ROLUL PROPRIETĂŢILOR
INTRINSECI ÎN PRELUCRAREA SEMNALULUI TOTAL 22
2.8. REŢELE NEURONALE SIMPLE 23
2.8.1. Operaţia de negare 23
2.8.2. Operaţia logică de conjuncţie 25
2.8.3. Operaţia logică de disjuncţie 26
2.7.4. Operaţia ”SAU exclusiv” 27
BIBLIOGRAFIE 27
3. PERCEPTRONUL 28
3.1. PERCEPTRONUL - O REŢEA
NEURONALĂ ARTIFICIALĂ DE REFERINŢĂ 28
3.2. CONVENŢII PRIVIND
REŢELELE NEURONALE ARTIFICIALE 29
3.3. FUNCŢIONAREA
PERCEPTRONULUI 31
3.4. POSIBILTĂŢILE DE REPEREZENTARE
ALE PERCEPTRONULUI CU UN SINGUR STRAT DE NEURONI ’ 31
3.4.1. Perceptronul cu două intrări 31
3.4.2. Perceptronul cu trei intrări 39
3.4.3. Dualitatea dintre spaţiul
intrărilor şi spaţiul ponderilor sinaptice 43
BIBLIOGRAFIE 45
4. REŢELE NEURONALE CU MAI MULTE STRATURI 46
4.1. CLASIFICAREA ŞI
FUNCŢIONAREA REŢELELOR NEURONALE CU MAI MULTE STRATURJ 47
4.1.1. Reţele neuronale nerecurente 47
4.1.2. Reţele neuronale recurente 49
4.1.3. Condiţii de funcţionare a unei
reţele neuronale cu mai multe straturi 49
4.2. PECEPTRONUL CU DOUĂ
STRATURI DE NEURONI 51
4.2.1. Depăşirea limitării impuse de
condiţia de separabilitate liniară 51
4.2.2. Perceptronul cu două straturi
realizează funcţia OR exclusiv 55
4.3. PROIECTAREA REŢELELOR
NEURONALE 58
4.4. REŢEA NEURONALĂ
ARTIFICIALĂ FEEDFORWARD CU TREI STRATURI DE NEURONI 60
4.5. POSIBILITĂŢILE RN-FF CU
MAI MULTE STRATURI DE NEURONI 65
4.5.1. Numărul de neuroni la un
perceptron cu mai multe straturi 65
4.5.2. Reţelele neuronale şi
hardlearningproblems ; 67
4.6 TAXONOMIA REŢELELOR
NEURONALE ARTIFICIALE 72
BIBLIOGRAFIE 74
5. INSTRUIREA REŢELELOR NEURONALE 75
5.1. TIPURI DE INSTRUIRE 75
5.1.1. Instruirea supervizată 76
5.1.2. Instruirea nesupervizată 76
5.2. CONVERSIA IMAGINII
EXTERNE ÎN DATE DE INTRARE PENTRU RNA 77
5.3. INSTRUIREA
PERCEPTRONULUI STANDARD 77
5.3.1. Perceptronul simplu, clasificator
în două clase 79
5.3.2. Algoritmul de instruire a
perceptronului standard - formulare descriptivă 80
5.3.3. Algoritmul de instruire a
perceptronului standard - formulare descriptivă 81
5.3.4. Algoritmul de instruire a
perceptronului standard- formulare vectorială 81
5.4. METODA VECTORILOR
CLASIFICAŢI INCORECT 86
5.4.1. Condiţia de găsire a vectorilor
clasificaţi incorect 87
5.4.2. Algoritmul de instruire 89
5.4.3. Metoda gradientului descendent 93
5.6. REGULA DELTA 95
5.6.1. Cazul iteraţiei lungi 97
5.7 METODE GLOBALE DE
INSTRUIRE 98
5.8. METODE ŞI ALGORITMI DE
INSTRUIRE 98
BIBLIOGRAFIE 101
6. ALGORITMUL DE RETROPROPAGARE A ERORII 102
6.1. METODĂ DE INSTRUIRE
DESCOPERITĂ DE TREI ORI 103
6.2. REŢEA NEURONALĂ
MULTISTRAT 103
6.3. FUNCŢIONAREA REŢELEI
NEURONALE MULTISTRAT 105
6.4. SETUL DE*INSTRUIRE 107
6.5. ETAPA DIRECTĂ DE CALCUL
AL RĂSPUNSULUI REŢELEI 108
6.5.1. Eroarea finală pentru o imagine 108
6.5.2. Formarea erorii 109
6.6. ETAPA INVERSĂ DE
PROPAGARE A ERORII 110
6.6.1. Modificarea ponderilor stratului
final 110
6.6.2. Ajustarea ponderilor asociate
straturilor ascunse 112
6.7. ALGORITMUL DE ÎNVĂŢARE
PRIN RETROPROPAGAREA ERORII 115
6.8. FUNCŢIA DE ACTIVARE 116
6.9. MODALITĂŢI DE MICŞORARE
A TIMPULUI DE ÎNVĂŢARE 117
6.9.1. Folosirea vectorilor extinşi 118
6.9.2. Metoda introducerii biasului
pentru funcţia de activare 118
6.9.3. Metoda momentului 118
6.9.4. Metoda derivatei de ordinul doi 120
6.9.5. Optimizarea duratei etapelor de
instruire 120
6.10. ALGORITMUL
BACKPROPAGATION SISTEMATIZAT 120
6.11. CONDIŢII DE OPRIRE 122
6.12. APLICAŢII DE SUCCES ALE
ALGORITMULUI BACKPROPAGATION 123
6.13. CONCLUZII 123
BIBLIOGRAFIE 124
7. MEMORII ASOCIATIVE 126
7.1. PROPRIETĂŢI ASOCIATIVE
ŞI UTILITATEA LOR 126
7.2. REŢELE NEURONALE
ARTIFICIALE CU PROPRIETĂŢI ASOCIATIVE 128
7.3. ANALOGIE CU SISTEMELE
FIZICE 129
BIBLIOGRAFIE 131
8. REŢEAUA NEURONALĂ HOPFIELD 132
8.1. ARHITECTURA UNEI REŢELE
NEURONALE DE TIP HOPFIELD 132
8.2. CARACTERIZAREA REŢELEI
NEURONALE HOPFIELD 136
8.2.1. Reţele recurente binare 136
8.2.2. Dinamica reţelei Hopfield 139
8.2.3. Energia reţelei neuronale Hopfield
; 142
8.3. INSTRUIREA REŢELELOR
HOPFIELD 146
8.3.1. Procedura lui Hopfield 146
8.3.2. Instruirea prin fixarea a priori a
stărilor stabile 152
8.3.2. Concluzi i 162
8.4. PROPRIETĂŢI ALE
REŢELELOR HOPFIELD 166
8.4.1. Stabilitatea reţelelor neuronale
de tip Hopfield 166
8.4.2. Sisteme continui 167
8.4.3. Memorie adresabilă prin conţinut 167
8.4.4. Capacitatea de stocare 167
8.5. APLICAŢII 168
8.5.1. Reţea Hopfield instruită ca
memorie asociativă 168
8.5.2. Convertor analog-digital 169
8.5.3. Problema negustorului ambulant 171
BIBLIOGRAFIE 173
9. MEMORIE ASOCIATIVĂ BIDIRECŢIONALĂ 175
9.1. STRUCTURA UNEI REŢELE
BAM 175
9.2. INSTRUIREA REŢELEI
ASOCIATIVE BIDIRECŢIONALE 178
9.2.1. Regula lui Webb 178
9.2.2. Regula matricelor 179
9.2.3. Instruire adaptivă 181
9.2.4. Instruirea competitivă 181
9.3. DINAMICA UNEI REŢELE BAM
182
9.3.1. Funcţionarea unei reţele BAM 182
9.3.2. Regăsirea unei asociaţii memorate 184
9.3.3. Funcţionarea MAB - exemple 185
9.4. ENERGIA UNEI REŢELE BAM 185
9.5. CAPACITATEA DE MEMORARE 189
9.6. CONCLUZII 189
BIBLIOGRAFIE 190
10. NEURONUL STATISTIC 192
10.1. NEURONUL STATISTIC 193
10.2. CONCLUZII 201
11. METODE STATISTICE DE INSTRUIRE 202
11.1. METODE DE INSTRUIRE 203
11.2. ALGORITMI DE CĂUTARE
DESCENDENTĂ ALEATOARE 204
11.3. ANALOGII UTILE GĂSITE
ÎN FIZICĂ 207
11.3.1. Echilibru mecanic 207
11.3.2. Călirea metalelor 208
11.4. ALGORITMI DE TIP
“CĂL1RE SIMULATĂ” (SIMULATED ANNEAL1NG) 208
11.4.1. Echilibru termic 209
11.4.2. Algoritmul lui Metropolis 210
11.4.3. Schema logică a unui algoritm
Metropolis 21 ]
11.4.4. Metode de generare a unor numere
aleatoare 212
11.5. INSTRUIREA UNEI REŢELE
UNIDIRECŢIONALE 213
11.5.2. Observaţii privind implementarea 215
11.6. METODA CĂLDURII
SPECIFICE ARTIFICIALE 215
11.7. METODE DE ÎMBUNĂTĂŢIRE
A PERFORMANŢELOR INSTRUIRII 217
11.7.1. Dezavantajele metodei Cauchy 217
11.7.2. Metode combinate 217
11.7.3. Evitarea paraliziei prin
utilizarea metodelor hibride 218
11.8. CONCLUZII 219
BIBLIOGRAFIE 219
12. MAŞINA BOLTZMANN 220
12.1. ARHITECTURA UNEI REŢELE
NEURONALE DE TIP BOLTZMANN 220
12.2. ENERGIA REŢELEI
BOLTZMANN : 221
12.3. INSTRUIREA MAŞINII BOLTZMANN
222
Calculul valorilor medii py pentru situaţia legată 225
Calculul valorilor medii py pentru starea nelegată a
reţelei 226
BIBLIOGRAFIE 227
BIBLIOGRAFIE GENERALĂ 228
ANEXA A 235
ANEXA B 236
FUNCŢII DE ACTIVARE 236
Funcţii prag 236
Funcţii de activare liniare 239
Funcţii de activare derivabile 239
ANEXA C 241
ELEMENTE DE ALGEBRĂ LINIARĂ 241
Calcul vectorial 241
ANEXA D 248
ELEMENTE DE CALCUL MATRICEAL 248
Definiţii 248
Operaţii cu matrici 249
ANEXA E 253
ELEMENTE DE LOGICĂ 253
ANEXA F 254
DEDUCEREA REGULII DE CALCUL A
MODIFICĂRILOR PONDERILOR S1NAPT1CE ÎN ALGORITMUL DE RETROPROPAGARE A ERORII 254
ANEXA G 258
LANŢURI MARCOV 258
ANEXA H 260
LANŢURI MARCOV CARACTERIZAREA
CELOR MAI IMPORTANTE TIPURI DE REŢELE NEURONALE ARTIFICIALE 260
ANEXAI 261
PROGRAME PENTRU REŢELE
NEURONALE 261
Programe libere sau Shareware disponibile
pe internet 261
Programe care pot fi cumparate 262
Niciun comentariu:
Trimiteți un comentariu