Логические нейронные сети
Булева концепция алгебры высказываний о событияхЛогические функции высказываний
Исчерпывающее множество событий
Композиция исчерпывающих множеств
Система принятия решений
"Схемотехническое" представление системы принятия решений
Достоверность высказываний о событиях
Системы принятия решений на основе достоверности высказываний о событиях
Минимизация длины логической цепочки в системе принятия решений
Построение обученной нейросети
Обучение нейросети
Модель мозга
Ввод и "разглядывание" эталонов и образов
Кора
Устойчивость, помехозащищенность и локализация максимального возбуждения
Начинаем решать пример
Возбуждение входного слоя
"Схемотехнический" подход к построению нейросети "под задачу"
Построение нейросети "под задачу"
Формализация нейросети
Модель механизма запоминания
Применение "готовых" нейросетей
Однослойная нейросеть
Нейросеть произвольной структуры
Нейросетевые технологии и нейрокомпьютеры
Пример - опыт - предпосылки обобщения
Алгоритм трассировки нейросети
Приведение нейросети после трассировки
Динамизм обучения
Не задавайте глупых вопросов!
Познание нового - основа самообучения
К вопросу происхождения человека
Как же вводить обратные связи?
Самообучение на основе ситуационного управления
Нейросетевое воплощение
ПРОЛОГ-программа
Нейросеть для решения задачи логического вывода
"Железнодорожная рулетка"
Практический подход и обоснование структуры логической нейронной сети для системы принятия решений
Выбор передаточной функции
Анализ примера
Корректировка порогов
Корректировка весов связей нейронов выходного
Дистрибутивная форма логического описания системы принятия решений
Возможность применения однослойных нейросетей
Совершенные нейронные сети
Корректное задание исходных данных – условие правильности выводов нейросети
Задачи обучения нейросети методом трассировки
Формирование обученной нейросети на основе заданного множества нейроподобных элементов
Оптимальное закрепление рецепторов за событиями в нейросети заданной структуры
Обучение-трассировка нейросети заданной структуры
Алгоритм трассировки нейросети по описанию системы принятия решений в дистрибутивной форме
Основные этапы работ
Логическое описание системы принятия решений
Дистрибутивные преобразования логического описания
Построение логической схемы
Построение матрицы следования для нейронной сети
Выбор и обоснование передаточной функции нейрона
Верификация нейросети
Табличный метод - основа искусственного интеллекта
Мониторинг банковской системы
Структура нейросети и способы обучения
Структура экрана рецепторов
Структура экрана выходного слоя
Методика мониторинга
Корректировка и развитие
Система оценки странового риска
Логическая нейронная сеть - средство пошагового принятия решений
Нейросетевая транспортная модель динамической маршрутизации
Пример модели транспортного маршрутизатора из центрального пункта отправления
Моделирование реального времени
Нейросетевой "подсказчик" в тактической игре
Какую задачу мы хотим решить?
Моделирование трехмерной памяти
"Мышца" и ее сокращение
Клип-моделирование интеллектуального отображения
Сокращение "твердого" объекта
Сокращение вязкого тела
Сокращение вязкого тела с "выпучиванием"
Шарнирно-мышечное соединение
Перемещение, поворот и вращение
Внешнее "механическое" воздействие на объект
Построение объектов в трехмерной памяти
Командно-программное управление объектами
Логические нейронные сети в основе управления трехмерными компьютерными объектами
Постановка задачи
Основы построения модели системы интеллектуального отображения для "плоской" анимации
Служба безопасности
Парк фантасмагорий
Компьютерный человечек КОМПИ
Диагностика
Тестирование в сфере образовательных услуг
Графический диспетчер движения поездов
Печать рукописи
Экстренное торможение локомотива
Защита информации
Введение
Технология компьютерного рисунка
Юмористический рисунок в основе методологии литературных исследований
Из истории вычислительной техники
Нейронные сети – аппарат искусственного интеллекта
Интеллектуальное отображение
Методология структурного проектирования SADT
Приступим к изучению моделирования систем. Под словом "система" мы понимаем совокупность взаимодействующих компонент и взаимосвязей между ними. Мир, в котором мы живем, можно рассматривать как сложную взаимосвязанную совокупность естественных и искусственных систем. Это могут быть достаточно сложные системы (например, планеты в составе Солнечной системы), системы средней сложности (космический корабль) или сверхсложные системы (системы молекулярных взаимодействий в живых организмах). Существует огромное количество научных дисциплин, предназначенных для изучения и объяснения различных аспектов этого бесконечного спектра сложности. Например, механика может объяснить гравитационное притяжение двух планет, а химия может описать молекулярные взаимодействия в стакане кипятка. Искусственные системы по своей сложности, как правило, занимают среднее положение. Например, всемирная телефонная сеть содержит десятки или даже сотни тысяч переключателей, однако количество взаимодействий этих переключателей не идет ни в какое сравнение с количеством взаимодействий молекул даже в небольшом стакане воды. С точки зрения общей теории систем такие системы обычно рассматриваются как системы средней сложности.Системы и модели
Завершение моделирования
Процедура чтения
Заключение
