Wiki ТНТУ - Внесок користувача [uk]

Пасивний і активний експеримент

2011-09-08T13:07:57Z

Rosalynbernard:

{{Завдання|Romanio|Назаревич О.Б.| 11 березня 2010}}
{| cellspacing="0" cellpadding="0" style="clear: {{{clear|right}}}; margin-bottom: .5em; float: right; padding: .5em 0 .8em 1.4em; background: none; width: {{{width|{{{1|auto}}}}}};" {{#if:{{{limit|}}}|class="toclimit-{{{limit}}}"}}
| __TOC__
|}
<noinclude>

=Пасивний і активний експеримент=

Теорія припускає, що експеримент може бути пасивним і активним.
При пасивному експерименті інформація про досліджуваному об'єкті накопичується шляхом пасивного спостереження, тобто інформацію отримують в умовах звичайного функціонування об'єкта. Активний експеримент проводиться з застосуванням штучного впливу на об'єкт за спеціальною програмою.

При пасивному експерименті існують лише фактори у вигляді вхідних контрольованих, але некерованих змінних, і експериментатор знаходиться в положенні пасивного спостерігача. Завдання планування в цьому випадку зводиться до оптимальної організації збору інформації та вирішення таких питань, як вибір кількості та частоти вимірювань, вибір методу обробки результатів вимірювань.

Найчастіше метою пасивного експерименту є побудова математичної моделі об'єкта, яка може розглядатися або як добре, або як погано організований об'єкт. У добре організованому об'єкті мають місце певні процеси, в яких взаємозв'язку вхідних і вихідних параметрів встановлюються у вигляді детермінованих функцій. Тому такі об'єкти називають детермінованими. Погано організовані або дифузні об'єкти являють собою статистичні моделі. Методи дослідження з використанням таких моделей не вимагають детального вивчення механізму процесів і явищ, що протікають в об'єкті.

Прикладом пасивного експерименту може бути аналіз роботи схеми, яка не має входів, тільки виходи, і вплинути на її роботу неможливо. Хорошим прикладом пасивного експерименту з дифузним об'єктом є вимірювання метеорологічних параметрів (температури, швидкості вітру і т.д.) при природних катаклізмів.

Активний експеримент дозволяє швидше й ефективніше вирішувати завдання дослідження, але більш складний, вимагає великих матеріальних витрат і може перешкодити нормальному ходу технологічного процесу. Іноді відсутня можливість проведення активного експерименту (наприклад, при дослідженні явищ природи). Проте, враховуючи переваги активного експерименту, тоді, коли це можливо, перевагу віддають йому.

При активному експерименті фактори повинні бути керованими і незалежними.

Активний експеримент припускає можливість впливу на хід процесу і вибору в кожному досвіді рівнів факторів. При плануванні активного експерименту вирішується завдання раціонального вибору факторів, що істотно впливають на об'єкт дослідження, і визначення відповідного числа проведених дослідів. Збільшення числа включених у розгляд чинників призводить до різкого зростання числа дослідів, зменшення - до істотного збільшення похибки досвіду. Фактор вважається заданим тільки тоді, коли при його виборі вказується його область визначення - сукупність значень, які може приймати даний фактор. В експерименті використовується обмежена частина області визначення, що задається зазвичай у вигляді дискретного безлічі рівнів. Вибрані фактори повинні бути однозначно керованими і операційним, тобто піддаються регулюванню з підтриманням на заданому рівні протягом всього досвіду при дотриманні послідовності необхідних для цього дій. Повинна бути призначена також точність вимірювання факторів у вибраному діапазоні вимірювання.

Сукупності факторів повинні відповідати вимогам сумісності і незалежності. Дотримання першої вимоги означає, що всі комбінації факторів здійсненні і безпечні, друге - можливість встановлення фактору на будь-якому рівні незалежно від рівнів інших факторів.

----
=Перелік використаної літератури=
#http://www.chuvsu.ru/~rte/uits/liter_uits/plan_exp/glav1_2.htm - Пассивный и активный эксперимент. (березень 2010)

----

----

----

[[Категорія:ПЕ-2010]]
[[Категорія:Виступ на семінарі]]
[[Категорія:Планування експеримента]]
[http://editingwritingservices.org/ essay editing]

[http://custom-essay-writing-service.org/index.php essay writing service]

Параметр оптимізації

2011-09-08T13:07:56Z

Rosalynbernard:

{{Завдання|yulik|Назаревич О.Б.|21 березня 2010}}

.............. Презентація доповіді (університетський репозиторій).

= 1. Параметр оптимізації =
При плануванні екстремального експерименту важливо визначити параметр, який потрібно оптимізувати. Для цього ціль дослідження повинна бути сформульована чітко і допускати кількісну оцінку. Характеристика мети задана кількісно називається '''параметром оптимізації'''.
'''Параметр оптимізації є реакцією (відгуком)''' на вплив факторів, які визначають поводження обраної системи. Реакція об'єкта багатогранна і багатоаспектна. Метою дослідження вибирають аспект, який представляє найбільший інтерес.
Вибір оптимального рішення або порівняння двох альтернативних рішень проводиться за допомогою деякої залежної величини (функції), визначеної проектними параметрами. Ця величина називається цільовою функцією (або критерієм якості).

<math>u=f(x1,x2,...xn)</math>,

Задача оптимізації зводиться до відшукування таких значень параметрів, при яких цільова функція досягає максисусу або мінімуму. Для однозначності загальних міркувань важається оптимальним максимальне значення виходу.

'''''Задачі оптимізації'''''

''Безумовні задачі оптимізації'' полягає у відшуканні максимуму або мінімуму дійсної функції від n дійсних змінних і визначення відповідних значень аргументів.

''Умовні задачі оптимізації, або задачі з обмеженнями,'' — це такі, при формулюванні яких задаються деякі умови (обмеження) на безлічі.

= 2. Види параметрів оптимізації =
Залежно від об'єкта і мети дослідження параметри оптимізації є дуже різноманітними. Щоб орієнтуватися в цьому різноманітті, вводять деяку класифікацію .
Дана класифікація не є повна і детальна вона відображає умовну схему, яка включає ряд практично важливих випадків. ''Основна мета даної класифікації'' - це допомога експериментаторові орієнтуватися в реальних ситуаціях. Реальні ситуації переважно складні. Вони часто вимагають одночасного обліку декількох, іноді дуже багатьох, параметрів. У принципі кожний об'єкт може характеризуватися відразу всією сукупністю параметрів, наведених на рисунку 1, або будь-якою підмножиною із цієї сукупності. Рух до оптимуму можливо, якщо обрано один-єдиний параметр оптимізації. Тоді інші характеристики процесу вже не виступають як параметри оптимізації, а служать обмеженнями.

[[Файл:Sxema.gif|border|center|Класифікація параметрів оптимізації]]
== 2.1 Економічні параметри==
Економічні параметри оптимізації, такі, як прибуток, собівартість і рентабельність, звичайно використаються при дослідженні діючих промислових об'єктів, тоді як витрати на експеримент має сенс оцінювати в будь-яких дослідженнях, у тому числі і лабораторних. Якщо ціна досвідів однакова, витрати на експеримент пропорційні числу досвідів, які необхідно поставити для рішення даного завдання. Це значною мірою визначає вибір плану експерименту.
== 2.2 Техніко –екопомічні параметри ==
Серед техніко-економічних параметрів найбільше поширення має продуктивність. Такі параметри, як довговічність, надійність і стабільність, пов'язані із тривалими спостереженнями. Є деякий досвід їхнього використання при вивченні дорогих відповідальних об'єктів, наприклад радіоелектронних апаратур.

== 2.3 Техніко – технологічні параметри ==
Майже у всіх дослідженнях доводиться враховувати кількість і якість одержуваного продукту. Як міру кількості продукту використають вихід, наприклад, відсоток виходу хімічної реакції, вихід придатних виробів.
Показники якості надзвичайно різноманітні. У представленій класифікації вони згруповані по видах властивостей. Характеристики кількості і якості продукту утворять групу техніко-технологічних параметрів.

== 2.4 Інші параметри ==

Під рубрикою "інші" згруповані різні параметри, які рідше зустрічаються, але не є менш важливими. Сюди потрапили статистичні параметри, використовувані для поліпшення характеристик випадкових величин або випадкових функцій. Прикладам таких параметрів будуть завдання на мінімізацію дисперсії випадкової величини, на зменшення числа викидів випадкового процесу за фіксований рівень і т.д. Останнє завдання виникає, зокрема , при виборі оптимальних настроювань автоматичних регуляторів або при поліпшенні властивостей ниток (дріт, пряжа, штучне волокно й ін.).

З ростом складності об'єкта зростає роль психологічних аспектів взаємодії людини або тварини з об'єктом. Наприклад при виборі оптимальної організації робочого місця оператора параметром оптимізації може служити число помилкових дій у різних можливих ситуаціях.

При рішенні завдання технічної естетики або порівнянні творів мистецтва виникає потреба в естетичних параметрах. Вони засновані на ранговому підході.

= 3. Приклад вибору параметра оптимізації =
'''''Приклад 1.''''' Під час другої світової війни кілька сотень англійських торговельних суден були озброєні зенітними знаряддями для захисту від ворожих бомбардувальників. Оскільки цей захід було досить дорогим (було потрібно мати на кожному судні бойову команду), через кілька місяців вирішили оцінити його ефективність. ''Який з параметрів оптимізації більше підходить для цієї мети?''

''Число збитих літаків.'' Втрати в суднах, оснащених знаряддями, у порівнянні із суднами без знарядь.
Якщо вважати, що ефективність установлення знарядь на торговельні судна можна оцінити числом збитих літаків, то буде очевидно, що значення параметра оптимізації в цьому випадку будуть низькими, тому що існують куди більше ефективні засоби для цієї мети (авіація, бойовий флот), чим зенітні знаряддя на торговельних .

Якщо вважати, що ефективність установки знарядь на торговельні судна можна оцінити'' зіставленням втрат у судах, оснащених знаряддями, із втратами в судах без знарядь,'' то це розумний вибір параметра оптимізації, тому що основним завданням при установці знарядь був захист суден. Літаки змушені були тепер використати протизенітні маневри і бомбардування з великої висоти, що зменшувало втрати.

Із числа атакованих літаками торговельних суден із зенітними знаряддями було потоплено 10% суден, а втрати в суднах без знарядь склали 25%. Витрати на установку знарядь і зміст бойових розрахунків окупилися дуже швидко.

= 4. Вимоги до параметрів оптимізації. =
'''Параметр оптимізації''' - це ознака, по якій оптимізують процес. Він '''''повинен бути кількісним, задаватися числом,''''' його необхідно вимірювати при будь-якій можливій комбінації обраних рівнів факторів. Безліч значень, які може приймати параметр оптимізації називають областю його визначення. Області визначення можуть бути неперервними і дискретними, обмеженими і необмеженими.

Наприклад, вихід реакції - це параметр оптимізації з безперервною обмеженою областю визначення. Він може змінюватися в інтервалі від 0 до 100%. Число бракованих виробів, число зерен на шліфі сплаву, число кров'яних тілець у пробі крові - от приклади параметрів з дискретною областю визначення, обмеженої знизу.

Якщо немає способу кількісного виміру результату, то доводиться скористатися прийомом, який називається '''ранжируванням''' (ранговим підходом). При цьому параметрам оптимізації привласнюються оцінки - ранги по заздалегідь обраній шкалі: двобальної, п'ятибальної і т.д. Ранговий параметр має дискретну обмежену область визначення. У найпростішому випадку область містить два значення (так, ні; добре, погано).
Ранг - це кількісна оцінка параметра оптимізації, але вона носить умовний (суб'єктивний) характер.
Для кожного фізично вимірюваного параметра оптимізації можна побудувати ранговий аналог. Потреба в побудові такого аналога виникає, якщо наявні в розпорядженні дослідника чисельні характеристики неточні або невідомий спосіб побудови задовільних чисельних оцінок. За інших рівних умов завжди потрібно віддавати перевагу фізичному виміру, тому що ранговий підхід менш чутливий і з його допомогою важко вивчати тонкі ефекти.

Наступна вимога: '''''параметр оптимізації повинен виражатися одним числом'''''. Іноді це виходить природно, як реєстрація показання приладу. Наприклад, швидкість руху машини визначається числом на спідометрі. Частіше доводиться робити деякі обчислення. Так буває при розрахунку виходу реакції. У хімії часто потрібно одержувати продукт із заданим відношенням компонентів, наприклад, А : В = 3 : 2. Один з можливих варіантів рішення подібних завдань полягає в тому, щоб виразити відношення одним числом 1,5) і як параметр оптимізації користуватися значеннями відхилень (або квадратів відхилень) від цього числа.

Ще одна вимога, пов'язане з кількісною природою параметра оптимізації, - '''''однозначність у статистичному змісті'''''. Заданому набору значень факторів повинне відповідати одне, з точністю до помилки експерименту, значення параметра оптимізації.

Для успішного досягнення мети дослідження необхідно, щоб параметр оптимізації дійсно '''''оцінював ефективність функціонування системи в заздалегідь обраному змісті'''''. Ця вимога є головна, визначальна коректність постановки завдання.

Подання про ефективність не залишається постійним у ході дослідження. Воно міняється в міру нагромадження інформації і залежно від досягнутих результатів. Це приводить до послідовного підходу при виборі параметра оптимізації. Так, наприклад, на перших стадіях дослідження технологічних процесів як параметр оптимізації часто використається вихід продукту. Однак надалі , коли - можливість підвищення виходу вичерпана, нас починають цікавити такі параметри, як собівартість, чистота продукту і т.д..

Говорячи про оцінку ефективності функціонування системи, важливо пам'ятати, що мається на увазі систему в цілому. Часто система складається з ряду підсистем, кожна з яких може оцінюватися своїм локальним параметром оптимізації. При цьому оптимальність кожної з підсистем по своєму параметрі оптимізації не виключає можливості загибелі системи в цілому.

Параметр оптимізації не тільки повинен бути ефективним потрібно, щоб він був '''''ефективний у статистичному змісті'''''. Тобто ця вимога зводиться до вибору параметра оптимізації, що визначається з найбільшою можливою точністю.

Наступна вимога до параметра оптимізації - '''''вимога універсальності або повноти'''''. Під універсальністю параметра оптимізації розуміється його здатність всебічно характеризувати об'єкт. Технологічні параметри оптимізації недостатньо універсальні вони не враховують економіку. Універсальністю володіють узагальнені параметри оптимізації, які є функцією від декількох приватних параметрів.

=Список використаних джерел=

#http://window.edu.ru/window_catalog/files/r18438/Mtdukm8.pdf - Основи планування експаременту (Січень 2010);
#Аністратенко В. О., Федоров В. Г. Математичне планування експерементів в АПК. Київ: Вища школа, 1993.- 375 с.
#http://window.edu.ru/window_catalog/pdf2txt?p_id=1180&p_page=1 – Основи планування експериментів (Січень 2010);
#http://uk.wikipedia.org/wiki/Планування_експерименту – Планування експерименту (Січень 2010);

{{Завдання:Виступ|yulik|21 лютий 2010|Види параметрів оптимізації. Вимоги до факторів і параметрів оптимізації..}}

[[Категорія:ПЕ-2010]]
[[Категорія:Виступ на семінарі]]
[[Категорія:Планування експеримента]]
[[Категорія:Види параметрів оптимізації. Вимоги до факторів і параметрів оптимізації.]]
[[Категорія:Багатозначні терміни]]
[[Файл:Example.jpg]]

[http://cvresumewritingservices.org/ resume writing]

ПЛАНУВАННЯ ЕКСПЕРИМЕНТУ

2011-09-08T13:07:53Z

Rosalynbernard:

__NOTOC__
[http://dl.tstu.edu.ua/325/ Дистанційне навчання з предмету "Планування експерименту Design Of Experiment (DOE)"]

== Література в ел.вигляді з предмета "Планування експерименту Design Of Experiment (DOE)" ==
* Прохання до всіх студентів - дописуйте тут перелік літератури в ел.вигляді з вказанням URL
* [[URL_Література_Планування_експерименту| ЛІТЕРАТУРА в інтернеті з предмету "Планування експерименту Design Of Experiment (DOE)"]]

== Індивідуальні завдання ==
* [[2009-2010рр - Індивідуальні завдання для виступу на семінарах з предмету "Планування експерименту Design Of Experiment (DOE)"]]
* [[2010-2011рр - Індивідуальні завдання для виступу на семінарах з предмету "Планування експерименту Design Of Experiment (DOE)"]]

== Орієнтовний перелік тем для ІНДИВІДУАЛЬНОГО ЗАВДАННЯ ==

* [[Вимоги до написання статей у Wiki університету ]]

Теми статей, рекомендованих до написання.

# [[Витратоміри]]
# [[Ряди розподілу]]
# [[Анкета для збору даних експеримента]]
# [[Гістограмний аналіз]]
# [[Статистична гіпотеза]]
# [[Статистичне спостереження]]
# [[Критерії згоди]]
# [[Коефіцієнт конкордації]]
# [[Дисперсія адекватності]]
# [[Дисперсії відтворюваності]]
# [[Ефект фактору]]
# [[Інтерпретація моделей]]
# [[Симплекс решітчастого планування]]
# [[Оптимальний план]]
# [[Квазіоптимальний план]]
# [[Дрейф неоднорідностей]]
# [[Метод еволюційного планування]]
# [[Взаємонейтралізуючі фактори]]
# [[Градієнтні методи оптимізації]]
# [[Симплексний метод оптимізації]]
# [[Однофакторний експеримент]]
# [[Багатофакторний експеримент]]
# [[Фізичний експеримент]]
# [[Математичний експеримент]]
# [[Імітаційний експеримент]]
# [[Реальний експеримент]]
# [[Мислений експеримент]]
# [[Компютерний експеримент]]
# [[Критичний експеремент]]
# [[Помилки реєстрації]]
# [[Помилки репрезентативності]]
# [[Потужність критерію]]
# [[Критерій Дункана]]
# [[Метод максимальної правдоподібності]]
# [[Рангова кореляція]]
# [[Бісеріальний коефіцієнт кореляції]]
# [[Рандомізація експерименту]]
# [[Факторіальні експерименти]]
# [[Інтервал невизначеності]]
# [[Функція відлику]]
# [[Статистичні числові характеристики]]
# [[Статистичні імовірності]]
# [[Теорії похибок]]
# [[Імовірнісна оцінка статистичних характеристик]]
# [[Унімодальний розподіл]]
# [[Нуль-гіпотеза]]
# [[Альтернативна гіпотеза]]
# [[Двобічна гіпотеза]]
# [[Однобічна гіпотеза]]
# [[F-розподіл]]
# [[Z-Критерій]]
# [[Х-Критерій]]
# [[Критерій Вальда]]
# [[Рандомізований критерій]]
# [[]]
# [[]]
# [[]]
# [[]]
# [[]]
# [[]]
# [[]]
# [[]]

= Перелік термінів що потрібно розкрити (самостійно дописуємо ваші здобутки) =
Ви можете написати статтю на свою власну тему, якщо вона задовольняє наступні умови:
*Термінів не повинно бути у uk.wikipedia.org, можлививй переклад з російської або інших мов.
*Термін повинен мати відношення до Планування Експерименту.

= Детермінований хаос. НОВІ ТЕМИ (терміни) =

== Поняття хаотичних систем і процесів ==
#Детермінований хаос і різниця між хаотичними та стохастичними (випадковими) процесами
##Поняття n-вимірного Евклідового векторного простору
##Поняття фазового потоку та фазового простору
##Показник Херста
##Кореляційна розмірність
#Консервативні і дисспативні системи

== Задачі ідентифікації параметрів багатомірних хаотичних процесів (БХП) ==

== Оцінка параметрів БХП ==
#Найбільш поширені моделі БХП
#Представлення траєкторій. Січення Пуанкаре
#Метод затримок
#Методи визначення розмірності вложення (числа незалежних смінних)

== Кількісна оцінка руху на на аттракторі ==
#Експоненти Ляпунова (ЄЛ)
#Обчислення ЄЛ із скалярних часових рядів
#Фрактальні розмірності
#Энтропия Колмогорова

== Експериментальне дослідження хаотичних явищ ==
#Аналіз параметрів коливань
#Хаос при природній конвекції
#Хаос в "псевдоожиженном"(рос.) слої
#Коливання температури в атмосфері

== [[Література теорія хаоса]] ==

== ВАШ ВАРІАНТ ТЕМИ: по предмету ПЛАНУВАННЯ ЕКСПЕРИМЕНТУ ==

Щоб закріпити тему за собою напишіть відповідь на [http://dl.tstu.edu.ua/325/forum/634/796/ форумах], і вкажіть: групу, прізвище та конкретну тему, що ви вибрали.

Якщо тема надто широка - сформулюйте її більш-вузько. Бажано вказати які питання ви не плануєте висвітлювати.
<analytics uacct="UA-19815617-1" ></analytics>

[http://cvresumewritingservices.org/ resume writing services]

Нейронні мережі

2011-09-08T13:07:51Z

Rosalynbernard:

{{Завдання|Симчак В.С.|Назаревич О. Б.|10 березня 2011}}
<center>
{|
|-
{{Презентація доповіді |title=[http://elartu.tstu.edu.ua/handle/123456789/769 Нейронні мережі. Реалізація в MatLab.]}}
|}
</center>
 
{{Студент | Name=Володимир | Surname=Симчак | FatherNAme=Сергійович |Faculti=ФІС | Group= СНм-51 | Zalbook=СН-10-097}}
 

== Біологічні нейронні мережі ==
Нервова система людини побудована з елементів (нейронів), має приголомшуючу складність. [[Файл:Biolneir.jpg|right|thumb|350px|Біологічний нейрон]]Близько 1011 нейронів беруть участь в приблизно 1015 передаючих зв'язках, що мають довжину метр і більше. Кожен нейрон володіє багатьма якостями, спільними з іншими елементами тіла, але його унікальною здатністю є прийом, обробка і передача електрохімічних сигналів по нервових шляхах, які утворюють комунікаційну систему мозку.
Дендрити (входи нейрона) йдуть від тіла нервової клітини до інших нейронів, де вони приймають сигнали в точках з'єднання (синапсах). Прийняті синапсом вхідні сигнали підводяться до тіла нейрона. Тут вони підсумовуються, причому одні входи стимулюють активізацію нейрона, а інші – зниження його активності. Коли сумарна активність (збудження) нейрона перевищує деякий поріг, нейрон переходить в активний стан, посилаючи по аксону (виходу нейрона) сигнал іншим нейронам. У цієї основної функціональної схеми багато спрощень і виключень, проте більшість штучних нейронних мереж моделює лише ці прості властивості.

== Історія розвитку штучних нейронних мереж ==
1943 рік — Норберт Вінер разом з співробітниками публікує роботу про кібернетику. Основною ідеєю є представлення складних біологічних процесів математичними моделями. 
1943 рік — Маккалок та Піттс формалізують поняття нейронної мережі у фундаментальній статті про логічне числення ідей і нервової активності. 
1949 рік — Хебб пропонує перший алгоритм навчання. 
У 1958 році Розенблаттом винайдений перцептрон. Перцептрон набуває популярності — його використовують для розпізнавання образів, прогнозування погоди і т. д. 
У 1960 році Уідроу спільно зі своїм студентом Хоффом на основі дельта-правила розробили ADALINE, який відразу почав використовуватися для завдань пророцтва і адаптивного управління. Зараз ADALINE (адаптивний суматор) є стандартним елементом багатьох систем обробки сигналів. 
У 1961 році під керівництвом Бонгарда розроблена програма «Кора» : «.завдання Кори — пошук розділяючого правила після того, як знайдені оператори, що дають досить чіткі характеристики об'єкту або його частин». 
У 1969 році Мінський публікує формальний доказ обмеженості перцептрона і показує, що він нездатний вирішувати деякі завдання, пов'язані з інваріантністю представлень. Інтерес до нейронних мереж різко спадає. 
1974 рік — Пол Дж. Вербос, і А. І. Галушкін одночасно винаходять алгоритм зворотного поширення помилки для навчання багатошарових перцептронів. 
1975 рік — Фукушима представляє Когнитрон — мережу, що самоорганізовується, призначену для інваріантного розпізнавання образів, але це досягається тільки за допомогою запам'ятовування практично усіх станів образу. 
1982 рік — після тривалого занепаду, інтерес до нейромереж знову зростає. Хопфілд показав, що нейронна мережа із зворотними зв'язками може бути системою, що мінімізує енергію (так звана мережа Хопфілда). Кохоненом представлені моделі мережі, що навчається без учителя (нейронна мережа Кохонена). 
1986 рік —Румельхартом, Хінтоном і Вільямсом та незалежно і одночасно Барцевим та Охониним перевідкритий та істотно розвинений метод зворотного поширення помилки. Почався вибух інтересу до навчаних нейронних мереж.

== Штучний нейрон ==
Основними компонентами нейромережі є нейрони /neurons/ (елементи, вузли), які з’єднані зв’язками. Сигнали передаються по зваженим зв’язкам (connection), з кожним з яких пов’язаний ваговий коефіцієнт (weighting coefficient) або вага.
Моделі НМ – програмні і апаратні, найбільш поширені – програмні.[[Файл:Shtneir.jpg|left|thumb|350px|Штучний нейрон]]
Використання – розпізнавання образів, прогнозування, створення асоціативної пам’яті.
Штучний нейрон імітує в першому наближенні властивості біологічного нейрона. На вхід штучного нейрона поступає множина сигналів, які є виходами інших нейронів. Кожен вхід множиться на відповідну вагу, аналогічну його синаптичній силі, і всі виходи підсумовуються, визначаючи рівень активації нейрона.
Хоча мережеві парадигми досить різноманітні, в основі майже всіх їх лежить ця конфігурація. Тут множина вхідних сигналів, позначених x1, x2,…, xn, поступає на штучний нейрон. Ці вхідні сигнали, в сукупності позначаються вектором X, відповідають сигналам, що приходять в синапси біологічного нейрона. Кожен сигнал множиться на відповідну вагу w1, w2,…, wn, і поступає на сумуючий блок, позначений Σ. Кожна вага відповідає «силі» одного біологічного синаптичного зв'язку (множина ваг в сукупності позначається вектором W). Сумуючий блок, який відповідає тілу біологічного нейрона, складає зважені входи алгебраїчно, створюючи вихід, який ми називатимемо NET.

== Активіаційні функції ==
Сигнал NET далі, як правило, перетворюється активаційною функцією F і дає вихідний нейронний сигнал OUT = F(NET). Активаційна функція F(NET) може бути: 
1. Пороговою бінарною функцією
<center> [[Файл:Math1.jpg]] </center>
де Т – деяка постійна порогова величина, або ж функція, що точніше моделює нелінійну передавальну характеристику біологічного нейрона.
 2. Лінійною обмеженою функцією
<center> [[Файл:Math2.jpg]] </center>
3. Функцією гіперболічного тангенса
<center> [[Файл:Math3.jpg]] </center>
де С > 0 – коефіцієнт ширини сигмоїди по осі абсцис (звичайно С=1).
 4. Сигмоїдною (S-подібною) або логістичною функцією
<center> [[Файл:Math4.jpg]] </center>
З виразу для сигмоїда очевидно, що вихідне значення нейрона лежить в діапазоні [0,1]. Популярність сигмоїдної функції зумовлюють наступні її властивості:
*здатність підсилювати слабкі сигнали сильніше, ніж великі, і опиратися “насиченню” від потужних сигналів;
*монотонність і диференційованість на всій осі абсцис;
*простий вираз для похідної, що дає можливість використовувати широкий спектр оптимізаційних алгоритмів.

== Персептрон ==
Перші персептрони були створені Ф.Розенблатом у 60-х роках і викликали великий інтерес. [[Файл:Perceptron.png|right|thumb|350px|Персептрон]]Первинна ейфорія змінилася розчаруванням, коли виявилося, що персептрони не здатні навчитися рішенню ряду простих задач. М.Мінський строго проаналізував цю проблему і показав, що є жорсткі обмеження на те, що можуть виконувати одношарові персептрони, і, отже, на те, чому вони можуть навчатися. Оскільки у той час методи навчання багатошарових мереж не були відомі, дослідники перейшли в більш багатообіцяючі області, і дослідження у області нейронних мереж прийшли в занепад. Відкриття методів навчання багатошарових мереж більшою мірою, ніж який-небудь інший чинник, вплинуло на відродження інтересу і дослідницьких зусиль.
Навчання персептрона:
*Ініціалізація вагових матриць W (випадкові значення)
*Подати вхід X і обчислити вихід Y для цільового вектора YT
*Якщо вихід правильний – перейти на крок 4; інакше обчислити різницю D = YT – Y; модифікувати ваги за формулою:
<center>wij(e+1) = wij(e) + α D Хі,</center>
де wij(e) – значення ваги від нейрона i до нейрона j до налагодження, wij(e+1) – значення ваги після налагодження, α – коефіцієнт швидкості навчання, Хi – вхід нейрона i, e – номер епохи (ітерації під час навчання).
*Виконувати цикл з кроку 2, поки мережа не перестане помилятися. На другому кроці у випадковому порядку пред’являються всі вхідні вектори.
Один з найпесимістичніших результатів Мінського показує, що одношаровий персептрон не може відтворити таку просту функцію, як ВИКЛЮЧАЄ АБО. Це функція від двох аргументів, кожний з яких може бути нулем або одиницею. Вона приймає значення одиниці, коли один з аргументів рівний одиниці (але не обидва).

== Багатошарові нейронні мережі ==
Багатошарові (1986 р.) мережі володіють значно більшими можливостями, ніж одношарові. [[Файл:Manynm.png|right|thumb|350px|Багатошарова НМ]]Проте багатошарові мережі можуть привести до збільшення обчислювальної потужності в порівнянні з одношаровими лише в тому випадку, якщо активаційна функція між шарами буде нелінійною. Обчислення виходу шару полягає в множенні вхідного вектора на першу вагову матрицю з подальшим множенням (якщо відсутня нелінійна активаційна функція) результуючого вектора на другу вагову матрицю (XW1)W2. Оскільки множення матриць асоціативне, то X(W1W2). Це показує, що двошарова лінійна мережа еквівалентна одному шару з ваговою матрицею, рівною добутку двох вагових матриць. Отже, для лінійної активіаційної функції будь-яка багатошарова лінійна мережа може бути замінена еквівалентною одношаровою мережею.

== Навчання нейронних мереж ==
Мережа навчається, щоб для деякої множини входів X давати бажану множину виходів Y. Кожна така вхідна (або вихідна) множина розглядається як вектор. Навчання здійснюється шляхом послідовного пред'явлення вхідних векторів з одночасним налагодженням ваг відповідно до певної процедури. В процесі навчання ваги мережі поступово стають такими, щоб кожен вхідний вектор виробляв вихідний вектор. Розрізняють алгоритми навчання з вчителем і без вчителя, детерміновані і стохастичні.
 ''Навчання з вчителем.''
 Навчання з вчителем припускає, що для кожного вхідного вектора X існує цільовий вектор YT, що є необхідним виходом. Разом вони називаються навчальною парою. Звичайно мережа навчається для деякої кількості таких навчальних пар (навчальної множини). В ході навчання зчитується вхідний вектор X, обчислюється вихід мережі Y і порівнюється з відповідним цільовим вектором YT, різниця D ~ YT – Y за допомогою зворотного зв'язку подається в мережу і змінюються ваги W відповідно до алгоритму, прагнучого мінімізувати помилку ε. Зчитування векторів навчальної множини і налагодження ваг виконується до тих пір, поки сумарна помилка для всієї навчальної множини не досягне заданого низького рівня.
 ''Навчання без вчителя''
 Не зважаючи на численні прикладні досягнення, навчання з вчителем критикувалося за свою біологічну неправдоподібність. Важко уявити навчальний механізм в мозку, який би порівнював бажані і дійсні значення виходів, виконуючи корекцію за допомогою зворотного зв'язку. Якщо допустити подібний механізм в мозку, то звідки тоді виникають бажані виходи? Навчання без вчителя є набагато правдоподібнішою моделлю навчання в біологічній системі. Розвинена Кохоненом і багатьма іншими, вона не потребує цільового вектора для виходів і, отже, не вимагає порівняння з ідеальними відповідями. Навчальна множина складається лише з вхідних векторів. Навчальний алгоритм налагоджує вагу мережі так, щоб виходили узгоджені вихідні вектори, тобто щоб пред'явлення досить близьких вхідних векторів давало однакові виходи. Процес навчання виділяє статистичні властивості навчальної множини і групує схожі вектори в класи.
 ''Алгоритми навчання''
 Більшість сучасних алгоритмів навчання виросла з концепцій Хебба. Ним запропонована модель навчання без вчителя, в якій синаптична сила (вага) зростає, якщо активовані обидва нейрони, джерело і приймач. Таким чином, часто використовувані шляхи в мережі посилюються і феномен звички і навчання через повторення одержує пояснення.
У штучній нейронній мережі, що використовує навчання по Хеббу, нарощування ваг визначається добутком рівнів збудження передаючого і приймаючого нейронів. Це можна записати як
<center>wij(e+1) = w(e) + α OUTi OUTj,</center>
де wij(e) - значення ваги від нейрона i до нейрона j до налагодження, wij(e+1) - значення ваги від нейрона i до нейрона j після налагодження, α - коефіцієнт швидкості навчання, OUTi - вихід нейрона i та вхід нейрона j, OUTj - вихід нейрона j; e – номер епохи (ітерації під час навчання).
Для навчання нейромереж в багатьох випадках використовують алгоритм зворотного розповсюдження помилки. Розв’язок задачі за допомогою нейронної мережі зводиться до наступних етапів:
#Вибрати відповідну модель мережі (наприклад, трьохшарову )
#Визначити топологію мережі (кількість елементів та їх зв’язки)
#Вказати спосіб навчання (наприклад, зі зворотним розповсюдженням помилок) і параметри навчання
Кількість прихованих елементів – не менша за кількість вхідних.

== Список використаних джерел ==
#[http://ru.wikipedia.org/wiki/Алгоритм_Левенберга_—_Марквардта Алгоритм Левенберга — Марквардта]
#[http://catalog.gaw.ru/index.php?page=document&id=1438 Matlab для DSP. Нейронные сети: графический интерфейс пользователя]
#[http://www.ukrreferat.com/index.php?referat=51882 Архітектура нейронної мережі]
#[http://www.machinelearning.ru/wiki/index.php?title=Нейронные_сети Искусственная нейронная сеть]

[[Категорія:Планування експерименту]]

[http://editingwritingservices.org/ dissertation editing]

[http://cvresumewritingservices.org/ resume writing service]

ПЕ2010:Виступ на семінарі - Кришталович Роман:Пасивний і активний експеримент.

2011-09-08T13:07:49Z

Rosalynbernard:

[http://editingwritingservices.org/ dissertation editing]

#ПЕРЕНАПРАВЛЕННЯ [[Пасивний і активний експеримент]]