Анализ сложных нейросетевых структур методами цифровой фильтрации и дискретной свертки

Анализ сложных нейросетевых структур методами цифровой фильтрации и дискретной свертки

Автор: Волохов, Виктор Викторович

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Краснодар

Количество страниц: 160 с. ил.

Артикул: 3042179

Автор: Волохов, Виктор Викторович

Стоимость: 250 руб.

Анализ сложных нейросетевых структур методами цифровой фильтрации и дискретной свертки  Анализ сложных нейросетевых структур методами цифровой фильтрации и дискретной свертки 

ВВЕДЕНИЕ
1 ОБЗОР СУЩЕСТВУЮЩИХ РАЗРАБОТОК
1.1 Нейронные сети
1.2 Виды нейронных сетей
1.3 Шагающие роботы.
1.4 Композиционная концепция и биологический подход в построении шагающих роботов
1.5 История создания многоногих роботов.
1.6 Назначение шагающих роботов, роботыандроиды
1.7 Разработка экзоскелетонов.
1.8 Исследование ходьбы человека в фазе заднего толчка
1.9 Биологические многоканальные системы управления.
1. Выводы.
2 БИОНИЧЕСКАЯ СИСТЕМА УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ УСТРОЙСТВАМИ.
2.1 Известные устройства управления искусственными конечностями
2.2 Математическая модель известного устройства управления искусственной конечностью.
2.3 Бионический шагающий аппарат
2.4 Принцип работы бионического шагающего аппарата
2.5 Влияние рельефа местности и темпа движения на рисунок походки шагающего аппарата
2.6 Формирование сигнала управления.
2.7 Двухканальная система управления бионическим
шагающим аппаратом
2.8 Математическая модель бионического шагающего аппарата.
2.9. Критерий красоты движения бионического шагающего аппарата.
2. Экономизация энергетических затрат при применении бионического сигнала управления
2. Выводы
3 АНАЛИЗ КОЛЕБАТЕЛЬНЫХ ПРОЦЕССОВ В РЕШАЮЩЕЙ
ФАЗЕ ШАГА ФАЗЕ ЗАДНЕГО ТОЛЧКА. ФОРМИРОВАНИЕ БИОНИЧЕСКОГО СИГНАЛА УПРАВЛЕНИЯ.
3.1 Свободные колебания ненагруженной стопы шагающего аппарата
3.2 Расчет вынужденных колебаний, вызванных управляющим воздействием в виде импульсов прямоугольной и пилообразной формы, методом интеграла Дюамеля.
3.3 Бионический режим управления.
3.4 Формирование сигнала управления дискретной сверткой
3.5 Расчет деполяризационных процессов.
3.6 Разностный сигнал деполяризации
3.7 Апериодический режим и дискретная свертка
3.8 Математический расчет сигнала в канале обратной связи
3.9 Большая глубина обратной связи.
3. Колебательный режим и дискретная свертка
3. Математический расчет сигнала в канале обратной связи.
3. Дискретная свертка при больших глубинах обратной связи
3. Высокочастотный диапазон
Частота импульсов Б 0 Гц
Частота импульсов Б 0 Гц
Частота импульсов 0 Гц.
3. Формирование сигнала управления волновым генератором
3. Запаздывающая дискретная свертка в высокочастотном диапазоне.
3. Смещенная дискретная свертка в колебательном режиме.
3. Выводы.
4 МОДЕЛИРОВАНИЕ СЛОЖНЫХ НЕЙРОННЫХ СТРУКТУР ЖЕЛАТИНОЗНОЙ СУБСТАНЦИИ РОЛАНДО С ПОМОЩЬЮ ЦИФРОВЫХ ФИЛЬТРОВ
4.1 Цель исследований.
4.2 Моделирование деполяризациониых процессов с помощью однозвенного биологического фильтра.
4.3 Расчет однозвенного биологического фильтра
4.4 Моделирование деполяризациониых процессов с помощью двухзвенного биологического фильтра при одинаковых
постоянных времени т
4.5 Моделирование деполяризациониых процессов с помощью двухзвенного биологического фильтра при разных
постоянных времени т
4.6 Моделирование постдеполяризационных процессов с помощью двухзвенного биологического фильтра.
4.7 Расчет двухзвенного биологического фильтра
4.8 Моделирование деполяризациониых процессов с помощью трехзвенного биологического фильтра.
4.9 Исследование влияния периода следования импульсов на функционирование нейронного генератора сигнала управления
4. Исследование влияния постоянной времени тз на функционирование нейронного генератора сигнала управления
4. Исследование влияния постоянной времени Т2 на функционирование нейронного генератора сигнала управления
4. Исследование влияния постоянной времени i на функционирование нейронного генератора сигнала управления
4. Исследование влияния амплитуды входных сенсорных сигналов на функционирование нейронного генератора сигнала управления
4. Моделирование деполяризационных процессов с помощью четырехзвенного биологического фильтра.
4. Моделирование деполяризационных процессов с помощью пятизвенного биологического фильтра
4. Анализ устойчивости функционирования нейронного генератора бионического сигнала управления
4. Выводы
ЗАКЛЮЧЕНИЕ.
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ


Считается, что теория нейронных сетей, как научное направление, впервые была обозначена в классической работе Мак Каллока и Питтса, г. Модели нейронных сетей могут быть программного и аппаратного исполнения 3. Несмотря на существенные различия, отдельные типы нейронных сетей обладают несколькими общими чертами . Вопервых, основу каждой нейронной сети составляют относительно простые, в большинстве случаев однотипные, элементы ячейки, имитирующие работу нейронов мозга . Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка нейронной сети. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены 0. Он обладает группой синапсов однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон выходную связь данного нейрона, с которой сигнал возбуждения или торможения поступает на синапсы следующих нейронов . Общий вид нейрона приведен на рисунке 1. Рисунок 1. Каждый синапс характеризуется величиной синаптической связи или ее весом гь который по физическому смыслу эквивалентен электрической проводимости . Текущее состояние нейрона определяется как взвешенная сумма его входов. Выход нейрона есть функция его состояния. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид т. При уменьшении а сигмоид становится более пологим, в пределе при а0 вырождаясь в горизонтальную линию на уровне 0. Т в точке х0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне 0,1. Одно из ценных свойств сигмоидной функции простое выражение для ее производной, применение которого будет рассмотрено в дальнейшем . Следует отметить, что сигмоидная функция дифференцируема на всей оси абсцисс, что используется в некоторых алгоритмах обучения. Кроме того, она обладает свойством усиливать слабые сигналы лучше, чем большие, и предотвращает насыщение от больших сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон . В г. Фрэнк Розенблатт создал первую нейронную сеть, названную персептроном, и построил первый нейрокомпьютер Марк1 9. Примерно в это же время были созданы искусственные нейронные сети Адалин В. Уидроу 3 и система Альфа А. Г. Ивахненко. К концу х в США действовало несколько экспериментальных моделей искусственных нейронных сетей. Первые крупные персентроны на основе аналоговой и цифровой техники АдамА и АдамД за пределами США были созданы в гг. СССР в одном из киевских НИИ . Схема простейшего персептрона Розенблатта содержит три слоя пороговых элементов. Входные сигналы стимулы, воздействуя на рецепторы элементы, переводят их в возбужденное состояние. Аэлементов. Выход элемента отличается от нуля только тогда, когда возбуждено достаточно большое число связанных с ним рецепторов . Реакции Аэлементов поступают на входы эффекторов элементов через связи, вес которых изменяется при обучении. В эффекторах вычисляется постсинаптический потенциал взвешенная сумма поступивших сигналов. Обычно, в персептроне для каждого запоминаемого образа выделяется один эффектор и решение принимается по максимуму значения постсинаптического потенциала . Свойственная персептрону Розенблатта неоднородность структуры разделение на , А и элементы в более поздних моделях искусственных нейронных сетей утрачивается. Новый взлет теории нейронных сетей начался в г. При этом важную роль сыграли работы группы ii i. Слой рецепторов воспринимает внешние стимулы например, элементы изображения, а слой эффекторных нейронов образует выход сети. Между этими слоями располагаются скрытые слои нейронов, не имеющих прямой связи с внешним миром 1. Нейроны соседних слоев соединены проекционными связями, передающими возбуждение в направлении от
рецепторов к эффекторам. Наряду с такими восходящими афферентными связями в некоторых моделях могут присутствовать возвратные эфферентные связи, действующие в обратном направлении, а также горизонтальные латеральные, соединяющие нейроны одного слоя .

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.300, запросов: 244