Нейронные сети, генетические алгоритмы и нечеткие системы, Рутковская Д., Пилиньский М., Рутковский Л., 2006

Нейронные сети, генетические алгоритмы и нечеткие системы, Рутковская Д., Пилиньский М., Рутковский Л., 2006.

   Книга посвящена вопросам «интеллектуальных вычислений». Содержит базовые знания о генетических алгоритмах, эволюционном программировании, нечетких системах, а также о связях этих направлений с нейронными сетями.
Для научных и инженерно-технических работников в области информатики и вычислительной техники, занимающихся созданием и использованием интеллектуальных систем, а также аспирантов и студентов различных специальностей в области компьютерных технологий.




Многослойные нейронные сети и алгоритмы их обучения.
Нейронные сети можно рассматривать как современные вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеет численный характер, что позволяет использовать нейронную сеть, например, в качестве модели объекта с совершенно неизвестными характеристиками. Другие типовые приложения нейронных сетей охватывают задачи распознавания, классификации, анализа и сжатия образов.

Проблематика нейронных сетей в девяностых годах XX века нашла отражение в сотнях монографий, среди которых можно упомянуть изданные в Польше работы [10, 11, 13, 17, 24]1 и некоторые заграничные публикации [3, 5, 7, 8, 15, 21, 28]. Также следует упомянуть о прекрасных обзорных статьях, которые стали катализатором дальнейших исследований как в Польше (Р Тадеушевич [22]), так и за границей (Р. Липпманн [14]).

Свыше 80 % всех приложений нейронных сетей относится к так называемым многослойным сетям без обратных связей. В них сигнал пересылается в направлении от входною слоя через скрытые слои (если они имеются) к выходному слою. Сети именно такого типа будут рассматриваться в последующих главах книги в контексте генетических алгоритмов и нечетких систем. Поэтому в настоящей главе мы обсудим в первую очередь базовые элементы многослойных нейронных сетей - персептрон и системы типа Адалайн (с линейным и нелинейным выходом), после чего определим два алгоритма обучения этих сетей: алгоритм обратного распространения ошибки и рекуррентный алгоритм метода наименьших квадратов.

ОГЛАВЛЕНИЕ.
Предисловие.
Предисловие к русскому изданию.
1. Введение.
Список литературы.
2. Многослойные нейронные сети и алгоритмы их обучения.
2.1. Введение.
2.2. Нейрон и его модели.
2.3. Персептрон.
2.4. Системы типа Адалайн.
2.4.1. Линейный взвешенный сумматор.
2.4.2. Адаптивный линейный взвешенный сумматор.
2.4.3. Адаптивный линейный взвешенный сумматор с сигмоидой на выходе.
2.5. Алгоритм обратного распространения ошибки.
2.6. Применение рекуррентного метода наименьших квадратов для обучения нейронных сетей.
Список литературы.
3. Нечеткие множества и нечеткий вывод.
3.1. Введение.
3.2. Основные понятия и определения теории нечетких множеств.
3.3. Операции на нечетких множествах.
3.4. Принцип расширения.
3.5. Нечеткие числа.
3.6. Треугольные нормы.
3.7. Нечеткие отношения и их свойства.
3.8. Нечеткий вывод.
3.8.1. Основные правила вывода в двоичной логике.
3.8.2. Основные правила вывода в нечеткой логике.
3.8.2.1. Обобщенное нечеткое правило modus ponens.
3.8.2.2. Обобщенное нечеткое правило modus tollens.
3.8.3. Правила нечеткой импликации.
3.9. Нечеткое управление.
3.9.1. Классический модуль нечеткого управления.
3.9.1.1. База правил.
3.9.1.2. Блек фуззификации.
3.9.1.3. Блок выработки решения.
3.9.1.4. Блок дефуззификации.
3.9.2. Метод нечеткого управления Такаги-Сугено.
3.10. Проектирование базы нечетких правил на основе численных данных.
3.10.1. Построение нечетких правил.
3.10.2. Задача парковки грузовика.
3.10.3. Примечание.
Список литературы.
4. Генетические алгоритмы.
4.1. Введение.
4.2. Генетические алгоритмы и традиционные методы оптимизации.
4.3. Основные понятия генетических алгоритмов.
4.4. Классический генетический алгоритм.
4.5. Иллюстрация выполнения классического генетического алгоритма.
4.6. Кодирование параметров задачи в генетическом алгоритме.
4.7. Основная теорема о генетических алгоритмах.
4.8. Модификации классического генетического алгоритма.
4.8.1. Методы селекции.
4.8.2. Особые процедуры репродукции.
4.8.3. Генетические операторы.
4.8.4. Методы кодирования.
4.8.5. Масштабирование функции приспособленности.
4 8.6. Ниши в генетическом алгоритме.
4,8.7. Генетические алгоритмы для многокритериальной оптимизации.
4 8.8. Генетические микроалгоритмы.
4.9. Примеры оптимизации функции с помощью программы FlexTool.
4.10. Эволюционные алгоритмы.
4.11. Приложения эволюционных алгоритмов.
4.11.1. Примерь: оптимизации функции с помощью программы Evolver.
4.11.2. Решение комбинаторных задач с помощью программы Evolver.
4.12. Эволюционные алгоритмы в нейронных сетях.
4.12 1. Независимое применение генетических алгоритмов и нейронных сетей.
4.12.2. Нейронные сети для поддержки генетических алгоритмов.
4.12.3. Генетические алгоритмы для поддержки нейронных сетей.
4.12.4. Применение генетических алгоритмов для обучения нейронных сетей.
4.12.5. Генетические алгоритмы для выбора топологии нейронных сетей.
4.12.6. Адаптивные взаимодействующие системы.
4.12.7. Типовой цикл эволюции.
4.12.7.1. Эволюция весов связей.
4.12.7.2. Эволюция архитектуры сети.
4.12.7.3. Эволюция правил обучения.
4.13. Примеры моделирования эволюционных алгоритмов в приложении к нейронным сетям.
4.13.1. Программы Evolver и BrainMaker.
4.13.2. Программа GTO.
Список литературы.
5. Модули нечетко-нейронного управления.
5.1. Модуль нечеткого управления со структурой определенной в процессе дефуззификации.
5.1.1. Введение.
5.1.2. Конструкция модуля.
5.1.3. Структура модуля.
5.1.4. Использование алгоритма обратного распространения ошибки.
5.1.5. Модификации модуля.
5.1.6. Применение модуля нечеткого управления для прогнозирования случайных временных рядов.
5.1.7. Применение модуля нечеткого управления для решения задачи парковки грузовика.
5.1.8. Примечание.
5.2. Представление модуля нечеткого управления в виде стандартной нейронной сети.
5.3. Модуль нечеткого управления с нейронной сетью для выполнения дефуззификации.
5.3.1. Введение.
5.3.2. Конструкция модуля.
5.3.3. Структура модуля.
5.3.4. Алгоритмы обучения модуля.
5.3.5. Решение задачи стабилизации перевернутого маятника.
5.3.6. Примечание.
5.4. Модуль нечеткого управления с возможностью коррекции правил.
5.4.1. Введение.
5.4.2. Фаза обучения на основе самоорганизации.
5.4.3. Фаза обучения с учителем.
5.4.4. Примечание.
5.5. Модуль нелегкого управления типа Такаги-Сугено: случай независимых лингвистических переменных.
5.5.1. Введение.
5.5.2. Нейронная реализация функции принадлежности.
5.5.3. Модули Такаги-Сугено.
5.5.4. Реализация условий.
5.5.5. Реализация заключений.
5.5.6. Примечание.
5.6. Модуль нечеткого управления типа Такаги-Сугено: случай зависимых лингвистических переменных.
5.6.1. Введение.
5.6.2. Нейронные сети для нечеткого вывода.
5.6.3. Структура системы.
5.6.4. Способ обучения.
5.6.5. Решение задачи парковки грузовика.
5.6.6. Примечание.
Список литературы.
Предметный указатель.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Нейронные сети, генетические алгоритмы и нечеткие системы, Рутковская Д., Пилиньский М., Рутковский Л., 2006 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России.Купить эту книгу


Скачать - pdf - Яндекс.Диск.




Теги: учебник по информатике :: информатика :: компьютеры :: Рутковская :: Пилиньский :: Рутковский