Отчёт по практике на тему Классификация нейронных сетей для задач предсказания и адаптивного управления

Содержание:

СОДЕРЖАНИЕ. 1

РЕФЕРАТ. 2

ВВЕДЕНИЕ. 3

ОСНОВНЫЕ ПОДХОДЫ И РЕШЕНИЯ В ПРИМЕНЕНИИ ОБУЧЕНИЯ НЕЙРОННЫХ
СЕТЕЙ ДЛЯ ЗАДАЧ ПРЕДСКАЗАНИЯ И АДАПТИВНОГО УПРАВЛЕНИЯ. 4

1. Понятийный аппарат и
методические подходы.. 4

2.   Прикладные разработки по обучению нейронных
сетей для задач предсказания и адаптивного управления. 11

ЗАКЛЮЧЕНИЕ. 20

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ.. 22

Введение:

Актуальность. Многочисленные задачи в математике, статистике, технике,
науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Новые
возможности требуют умений разработчика вне границ традиционных вычислений.
Сначала вычисления были лишь аппаратными, требующими инженерных усилий для
перехода в рабочую плоскость практического применения. Затем появились разнообразные
специалисты по программному обеспечению: программисты, системные инженеры,
специалисты по базам данных и проектировщики, сочетающие уровни теоретических
разработок и практического применения. Особенностью современности являются
нейронные архитекторы, обладающие более высокой квалификацией в системных
решениях, по сравнению с предшественниками.

Проблема исследования основана на раскрытии условий применения нейросетей требует
от разработчика выполнения ряда условий для обучения и тестирования сети, с
учетом понимания базовой природы решаемой проблемы; выбор функции сумматора,
передаточной функции и методов обучения; адаптированных инструментальных
средств разработчика и соответствующей мощности обработки.

Цель исследования – анализ исследований по обучению нейронных сетей для задач предсказания
и адаптивного управления

Для достижения цели
исследования были поставлены следующие задачи:

— обозначить понятийный
аппарат и проанализировать методы обучения нейронных сетей для задач предсказания
и адаптивного управления;

— прикладные разработки по
обучению нейронных сетей для задач предсказания и адаптивного управления.

Структура работы включает: введение, два раздела основной части, заключение,
список использованных источников и научной литературы.

Заключение:

Несмотря на преимущества
нейронных сетей в отдельных областях над традиционными вычислениями,
существующие нейросети не является совершенными решениями — они требуют
обучения, и могут делать "ошибки". Кроме того, нельзя гарантировать,
что разработанная сеть будет оптимальной, и при обучении покажет наилучшие
результаты. Задачей алгоритма оптимизации является нахождение такого решения,
удовлетворяющего системе ограничений, которое при этом максимизирует или
минимизирует целевую функцию.

Системные подходы к
исследованиям по рассматриваемой тематике были заложены в середине 1950-х гг.,
развиты к концу 1980-х гг., и находят наибольшее развитие в применении к
разнообразным задачам физики, информатики, биологии, медицины, социальных сетей
и др.

Основная цель
исследования сетей нейроноподобных процессоров — открытие эффективных процедур
обучения, которые позволяют этим сетям строить сложные внутренние представления
своего окружения. Процедуры обучения должны иметь возможность изменять силу
соединения таким образом, чтобы внутренние единицы, которые не являются частью
ввода или вывода, стали представлять важные особенности предметной области.
Недавно было обнаружено несколько интересных процедур градиентного спуска.
Каждое соединение вычисляет производную по отношению к силе соединения
глобальной меры ошибки в работе сети. Затем сила регулируется в направлении
уменьшения ошибки. Эти относительно простые процедуры обучения с градиентным
спуском хорошо подходят для небольших задач.

 При создании эффективных нейросетей, важным
для современных инженеров программного обеспечения является сочетание логического
мышления, эмпирических навыков в подборе адаптивных решений, и развитой интуиции.
Например, он должен знать статистику для выбора и оценки учебных и тестовых
множеств.

В последние несколько лет
научная среда пережила новый расцвет приложений машинного обучения на основе
нейронных сетей в механике жидкостей. Во многом этот интерес объясняется
выдающейся производительностью архитектур глубокого обучения, которые
иерархически извлекают информативные функции из данных. Это привело к
нескольким достижениям в областях, богатых данными и ограниченных моделями,
таких как социальные науки, а также в компаниях, для которых прогнозирование
является ключевым финансовым фактором. Механика жидкостей не ограничивается
моделями и быстро становится областью, в которой используются систем больших
данных. Сочетание первичных принципов и современных подходов, основанных на больших
данных, уникально и может изменить как механику жидкости, так и машинное
обучение.

Современное состояние
науки выдвигает такие проблемы в одном из наиболее перспективных направлений по
механике жидкостей, на основе прикладных разработок по обучению нейронных сетей
для задач предсказания и адаптивного управления.

1. Алгоритмы машинного
обучения часто не имеют гарантий производительности, надежности или сходимости
даже для четко определенных задач, предметом последующих исследований являются
задачи достижения интерпретируемости, обобщения и объяснимости результатов.

2. Изучение и применение
известных данных физики потока – это проблема и возможность для алгоритмов
машинного обучения, однако остается проблемным вопрос, насколько эффективны мы
можем объединить подходы, основанные на данных и основополагающих принципах
нейронных сетей, в механике жидкости.

3. Просматривается
множество возможностей для открытия новых физических механизмов, симметрий,
ограничений и инвариантов на основе нейронных данных моделирования механики
жидкости.

4. Моделирование на
основе данных в системе нейронных сетей может быть мощной альтернативой и
основой для пересмотра существующих эмпирических законов механики жидкости.

Фрагмент текста работы:

В статье Д. Румельхарта и
Д. Зипсера (1985)[1] представлены результаты последующих
исследований с использованием парадигмы обучения без учителя, которую назвали
«конкурентное обучение». Это исследование было поддержано грантами
американского Фонда развития систем, а также контрактом с программами
исследований персонала и обучения Управления военно-морских исследований. Изучение
конкурентного обучения осуществлялось на основе использования как компьютерного
моделирования, так и формального анализа. Было обнаружено, что, когда оно
применяется к параллельным сетям нейроноподобных элементов, могут быть
выполнены многие потенциально полезные обучающие задачи. Идеи и методические
подходы указанной работы далее были развиты в 1300 публикациях. [1] David E. Rumelhart,
David Zipser. Feature Discovery by Competitive Learning. First published:
January 1985. Cognitive Science Volume9, Issue1. January
1985. Pages 75-112. https://doi.org/10. 1207/s15516709cog0901_5.