Краткое описание. Рассматривая нейронную сеть как набор элементов, производящих некоторые вычисления над приходящими к ним данными, можно изучать решение главной и вспомогательных задач. В главной задаче выделяют функции или подзадачи: генерации, обучения и тестирования нейронных сетей. Генерация - задание начальных значений всех параметров нейронной сети; обучение - изменение всех или части параметров нейронной сети с учителем так, чтобы нейронная сеть по обучающей выборке давала требуемые ответы; тестирование - сравнение ответов обученной нейронной сети с известными ответами по тестовой выборке - набору примеров, не использовавшихся для обучения. Вспомогательные задачи: определение значимости входных сигналов, контрастирование нейронных сетей, обучение примера, определение минимального решающего набора входных параметров, получение логически прозрачной нейронной сети и, в конечном счете, знаний из данных. Обучение примера - такое изменение параметров примера, чтобы обученная нейронная сеть при тестировании давала требуемый ответ. Вспомогательные задачи сформулированы в процессе развития и практического использования нейронных сетей, как новые потребности пользователей и направления развития. Именно вспомогательные задачи часто есть основной элемент технологии решения прикладных задач пользователя.

Для решения указанных задач используется математический аппарат искусственных нейронных сетей, в частности, из сигмоидных 5 нейронов. Архитектуры и алгоритмы позволяют обучать и тестировать нейронные сети, решать различные задачи обработки данных.

Целью проекта является исследование, разработка и практическое использование в экологии моделей монотонных нейронных сетей и нейронных сетей без учителя, обучаемых по методу динамических ядер.

На страницу проекта