Моделирование нейронных сетей на основе твердотельных объектов

• Автор: Пак, Марк Маркович
• Шифр специальности: 05.13.12, 05.13.05
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 179 с. : ил.

Содержание
Введение
1 Обзорноаналитические исследования в области автоматизированного проектирования элементов нейронных сетей.

1.1 Особенности автоматизированного проектирования нейронных

сетей.

1.2 Модель нейрона.

1.3 Многослойные сети прямого распространения.

1.4 Твердотельные объекты.

1.5 Схема нейрона.

Постановка задачи исследования.

2 Теоретический подход к решению задачи создания элементов нейронных сетей.

2.1 Элементы нейронных сетей.
2.2 Твердотельные объекты.
2.3 Схема образования двумерных электронов
в гетероструктуре.
2.4 Теоретический подход к росту твердотельных объектов как
элементов НС.
Выводы по главе 2.
3 Построение физикоматематических моделей при автоматизированном проектировании элементов нейронных сетей.
3.1 Модели ускоренного обучения
нейронных сетей.
3.2 Модель нейросетевой структуры для оптимизации
фу нкцион ирован ия.
3.3 Теоретический подход к возможности ускоренного обучения нейросетей за счет адаптивного упрощения
Содержание
обучающей выборки.
3.4 Обучение персептрона.
Выводы по главе 3.
4 Результаты применения алгоритма поиска технических решений устройств для производства элементов нейронных сетей в туннельнозондовой нанотехнологии.
4.1 Нейронная сеть.
4.2 Устройство для получения углеродных пленок.
4.3 Устройство для получения нанодорожек.
4.4 Устройство наноперемещений в электронике.
4.5 Устройство флэшпамяти.
Выводы по главе 4.
5 Методика выбора оптимального варианта технологического решения процесса автоматизированного проектирования нейронных сетей на основе твердотельных объектов.
5.1 Критерии вариантов технологического применения нейронных
сетей.
5.2 Выбор оптимального варианта технологического решения с
учетом себестоимости научнотехнической продукции.
5.3 Алгоритм формирования НС на основе твердотельных
объектах.
Выводы по главе 5.
Заключение
Литература


Нейроны взаимодействуют посредством короткой серии импульсов, как правило, продолжительностью несколько мсек. Сообщение передается посредством частотно-импульсной модуляции. Частота может изменяться от нескольких единиц до сотен герц, что в миллион раз медленнее, чем самые быстродействующие переключательные электронные схемы. Тем не менее сложные решения по восприятию информации, как, например, распознавание лица, человек принимает за несколько сотен мс. Эти решения контролируются сетью нейронов, которые имеют скорость выполнения операций всего несколько мс. Это означает, что вычисления требуют не более 0 последовательных стадий. Другими словами, для таких сложных задач мозг «запускает» параллельные программы, содержащие около 0 шагов. Это известно как правило 0 шагов []. Рассуждая аналогичным образом, можно обнаружить, что количество информации, посылаемое от одного нейрона другому, должно быть очень маленьким (несколько бит). Этим объясняется такое название, как коннекционистская модель, применяемое к НС. От биологических сетей к НС. Современные цифровые вычислительные машины превосходят человека по способности производить числовые и символьные вычисления. Однако может без усилий решать сложные задачи восприятия внешних данных (например, узнавание человека в толпе только по его промелькнувшему лицу) с такой скоростью и точностью, что мощнейший в мире компьютер по сравнению с ним кажется безнадежным тугодумом. В чем причина столь значительного различия в их производительности? Архитектура биологической нейронной системы совершенно не похожа на архитектуру машины фон Неймана (Таблица 1. Таблица 1. Подобно биологической нейронной системе НС является вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Модели НС в некоторой степени воспроизводят «организованные» принципы, свойственные мозгу человека. Моделирование биологической нейронной системы с использованием НС может также способствовать лучшему понимаю биологических функций. Такие технологии производства, как УЬБ1 (сверхвысокий уровень интеграции) и оптические аппаратные средства, делают возможным подобное моделирование. У ЬБ1/оптических). С другой стороны, НС также стимулируют эти дисциплины, обеспечивая их новыми Инструментами и представлениями. Этот симбиоз жизненно необходим для исследований по нейронным сетям. Представим некоторые проблемы, решаемые в контексте НС и представляющие интерес для ученных и инженеров. Классификация образов. Задача состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классом. Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов «без учителя», отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных. Аппроксимация функций. Предположим что имеется обучающая выборка ((хьуО, (х2,У2). Задача аппроксимации состоит в нахождении оценки известной функции (х). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования. Предсказание/прогноз. Пусть заданы п дискретных отсчетов у(). Задача состоит в предсказании значения у^п+О в некоторый будущий момент времени ^+1. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичным приложениями техники предсказания/прогноза. Оптимизация. Многочисленные проблемы в математике, статике, технике, науки, медицине и экономики могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Задача коммивояжера, относящаяся к классу ЫР-полных, является классическим примером задачи оптимизации.