Нейронные сети

Рисунок 5 – Внешний вид структуры нейросетиЦелесообразен простейший вид обучения (т.е. построения базы знаний, какой является наша сеть), который сопровождает концепцию создания нейросети "под задачу":непосредственное введение связей всовершенной нейросети оператором-исследователем "вручную" - от рецепторов к нейронам выходного слоя в соответствии с причинно- следственными связями. Тем самым сеть создается уже обученной.Тогда передаточная функция должна быть тоже простейшей и основанной на суммировании величин возбуждения на входе нейрона, умноженных на вес связи Вес ω связей все же целесообразен по причине возможного желания оператора или эксперта учета влияния различных показателей.Порог hосуществляет заведомое отсечение«плохих» выводов, упрощая дальнейшую обработку прик - числе параметров. 2.3 Использованию ИНС в управлении технологическими процессамиВо многих приложениях, которые связаны с управлением технологическими производственными процессами, функционально-приближенная архитектура ИНС достаточно проста, и она хорошо справляется с моделированием производственных процессов. ИНС необходимо обучать исходя из наборов данных, которые получены при помощи самого лучшего из возможных вариантов параметрического тестирования. Чтобы смоделировать управление процессом должным образом, пользователь должен выбратьпеременную процесса и сформировать набор данных для обучения. Этот набор должен покрыть весь возможный диапазон обучения и соответствовать его функциональному назначению. Набор данных содержит данные, связанные со входами, и должен коррелировать их к целевому назначению. Входы, используемые при обучении, определяют пространство управления нейронной сетевой модели[9].Большинство программ обучения ИНС работают при помощи ПК, а основные платформы управления уже имеют весь необходимый набор команд для настройки модели ИНС.При этом важно, чтобы HMI (Human-Machine Interface) отображал выход модели, входы, сигналы тревоги, технологические установки процесса, предоставлять возможность выбора режима (автоматический/ручной) и стратегии управления (обычная/альтернативная) (рис. 6).Рисунок 6 –Внешний вид окна HMI для виртуальной измерительной системы (а) и многоканального MIMO-контроллера (б)ЗаключениеВ заключении отметить, что даже самая лучшая НС, которая обучена по лучшим правилам, не способна заменить реальные процессы. В то же время, многие НС применяются для диагностики в различных направлениях науки и техники для повышения качества результатов. Приведенные описания применения НС в различных научных и технических направлениях показали целесообразность их применения и практическую ценность. Также при постановке задачи, пространства поиска, предметной областиНС обеспечивают более высокую эффективность работы. На сегодняшний день ИНС бесспорно являются приоритетным направлением дальнейших исследований.В данной работе достигнута основная цель – описано применение нейронных сетей в диагностике.В данном реферате были решены следующие задачи:приведены основные понятия, связанные с нейронными сетями;описано применение нейронной сети в бизнесе.Также в процессе написания реферата были использованы современные и классические источники литературы и глобальной сети Internet.Список использованной литературыЧерниговская Т.В. Чеширская улыбка кота Шрёдингера: язык и сознание. M.: Языки славянской культуры, 2013. — 448 с.Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 326 с.Каллан, Роберт.Основные концепции нейронных сетей: Пер. с англ. — М. : Издательский дом «Вильямс». – 2001. — 287 с. Ясницкпй Л. Н. Интеллектуальные системы : учебник / Л. И. Ясницкий. — М. : Лаборатория знаний, 2016. —221 с. Dagli C.H. (ed.) Artificial Neural Networks for Intelligent Manufacturing. Springer, 1994. — 474 p. Веселов О.В., Сабуров П.С. Методы искусственного интеллекта в диагностике. Учеб. пособие. — Владимир : Изд-во ВлГУ, 2015. — 251 с.Гареева Г. А., Григорьева Д. Р., Гилязеев Т. В. Применение нейронных сетей в экономике. Казань: Молодой учёный, №18, 204, май-1.– 2018 – С. 306–308.Барский А.Б. Логические нейронные сети. М.: Интуит, 2016. — 492 с.ДжиммиУ. Ки (Jimmy W. Key).Искусственные нейронные сети управления технологическими процессами. Часть 2/ У. Ки Джимми //ControlEngineering России. №4 (64). 2016. – С. 106 – 110.