Модифікація і застосування нейромережі Хебба
| dc.contributor.advisor | Боярінова, Юлія Євгенівна | |
| dc.contributor.author | Чухліб, Юрій Валентинович | |
| dc.date.accessioned | 2019-03-13T17:06:40Z | |
| dc.date.available | 2019-03-13T17:06:40Z | |
| dc.date.issued | 2018-12 | |
| dc.description.abstracten | Actuality of topic. Every year, mankind sets an increasingly complex task. To solve these problems, increasingly sophisticated and powerful algorithms are created that can do this much faster and more efficiently than humans. But sometimes, we face nonlinear problems, when the set of input data is different each time, the input comes with the data that you must firstly filter, and only then solve the task. For this type of task, you need to develop an algorithm that you can doubt, which understands that there can not be an unambiguous answer and who is able to find this answer. For example, it may be the task of tracking the frode in banking operations, abnormal counters in the aircraft or at nuclear power plants. This may be tasks for recognizing images from photo or video data. For such pazzles, tasks are created by an algorithm based on the so-called artificial intelligence. These algorithms are able to work each time with a different set of data, and also effectively solve this problem. Over time, if the input set is to be changed, such an algorithm will be able to adapt to these changes, without interrupting the same efficient operation. But to do this, you need to teach the algorithm and show him which answer it should find based on the input. The problem is that the input data changes too quickly, and the learning algorithms are quite slow, so you need to pick up a fast enough algorithm to allow our artificial intelligence to learn as quickly as possible and then adapt effectively to the changes in the input data. The object of the study is the methods and algorithms for teaching neural networks. Subject of research is the Hebbian method and algorithm for processing signals and data in neural networks. Purpose: The purpose of the work is to create high-performance information technology for the processing and transformation of images and data based on the architecture of system computing environments and neural networks to improve the accuracy of the functioning of modern neural networks in both playback mode and in training mode. Scientific novelty: 1. A modified method of learning is proposed, which is based on Hebbian method. 2. A comparative analysis of the developed method with the existing standard method for solving the problem of recognition of handwritten digits is performed. The practical value of the results obtained in the work is that the developed modified learning method is more precise than the standard one. Structure and scope of work. The master's dissertation consists of an introduction, three sections and conclusions. In the introduction a generalized estimation of the current state of algorithms development is presented, the relevance of the performed research is substantiated, a general description of the work is given, the purpose and the task of the research are stated, and the practical value of the work is given. The first chapter deals with the main differences in algorithms based on artificial intelligence, examines the existing methods of teaching these algorithms, their principles of operation and features, key disadvantages and advantages. The second chapter deals with the teaching principle and Hebb's algorithm. The third section describes the details of the implementation of the basic and modified algorithm, created a software product on the basis of these algorithms, made a comparative analysis. The conclusions are the results of the work. The work is presented on 80 sheets, contains a link to the list of used literary sources. | uk |
| dc.description.abstractuk | Актуальність теми. З кожним роком людство ставить перед собою все більш складні задачі. Для вирішення цих задач створюються все більш складні та потужні алгоритмі, які зможуть це зробити набагато швидше та ефективніше, ніж людина. Але, часом, перед нами постають нелінійні задачі, коли набір вхідних даних кожен раз різний, на вхід приходять дані, які потрібно спочатку фільтрувати, а тільки потім вирішувати поставлену задачу. Для такого типу задач необхідно розробити алгоритм, якій вміє сумніватися, якій розуміє, що не може бути однозначної відповіді і який спроможний знаходити цю відповідь. Наприклад, це можуть бути задачі відстеження фроду при банківських операціях, аномальні показники лічильників у літаку або на атомних станціях. Це можуть бути задачі по розпізнаванню образів з фото або відео даних. Для таких класів задач створюють алгоритмі на основі так званого штучного інтелекту. Ці алгоритмі спроможні працювати кожен раз з різним набором даним, і так само ефективно при цьому вирішувати поставлену задачу. З часом, якщо набір вхідних даних буде змінюватись, такий алгоритм спроможний адаптуватись до цих змін, не перестаючи так само ефективно працювати. Але для цього потрібно навчити алгоритм та показати йому, яку саме відповідь він має знайти, опираючись на вхідні дані. Проблема в тому, що набори вхідних даних змінюються занадто доволі швидко, а алгоритми навчання доволі повільні, тому необхідно підібрати достатньо швидкі алгоритмі, щоб наш штучний інтелект міг так само швидко навчатись та пізніше ефективно адаптуватись до змін вхідних даних. Об’єктом дослідження є методи та алгоритми навчання нейронних мереж. Предметом дослідження Предметом дослідження є метод та алгоритм Хебба обробки сигналів і даних у нейронних мережах. Мета роботи: Метою роботи є створення високоефективних інформаційних технологій обробки та перетворення зображень і даних на базі архітектури системних обчислювальних середовищ та нейронних мереж для підвищення точності функціонування сучасних нейромереж як в режимі відтворення, так і в режимі навчання. Наукова новизна: 1. Запропоновано модифікований спосіб навчання, який базується на алгоритмі Хебба. 2. Виконано порівняльний аналіз розробленого способу з існуючим стандартним способом для вирішення задачі розпізнавання рукописних цифр. Практична цінність отриманих в роботі результатів полягає в тому, що розроблений модифікований спосіб навчання є більш точним, ніж стандартний. Структура та обсяг роботи. Магістерська дисертація складається з вступу, трьох розділів та висновків. У вступі подано узагальнену оцінку сучасного стану розвитку алгоритмів, обґрунтовано актуальність виконаного дослідження, дано загальну характеристику роботи, поставлено мету та задачу дослідження, і наведено практичну цінність роботи. У першому розділі розглянуто основні відмінності алгоритмів на основі штучного інтелекту, розглянуто існуючі методи навчання цих алгоритмів, їх принципи роботи та особливості, ключові недоліки та переваги. У другому розділі розглянуто принцип роботи навчання та алгоритму Хебба. У третьому розділі описано деталі реалізації базового та модифікованого алгоритму, створено програмний продукт на базі цих алгоритмів, зроблену порівняльний аналіз. У висновках представлені результати проведеної роботи. Робота представлена на 80 аркушах, містить посилання на список використаних літературних джерел. | uk |
| dc.format.page | 88 с. | uk |
| dc.identifier.citation | Чухліб, Ю. В. Модифікація і застосування нейромережі Хебба : магістерська дис. : 123 Комп’ютерна інженерія. Системне програмування / Чухліб Юрій Валентинович. – Київ, 2018. – 88 с. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/26726 | |
| dc.language.iso | uk | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | штучний інтелект | uk |
| dc.subject | нейронна мережа | uk |
| dc.subject | метод Хебба | uk |
| dc.subject | artificial intelligence | uk |
| dc.subject | neural network | uk |
| dc.subject | Hebbian method | uk |
| dc.subject.udc | 004.08 | uk |
| dc.title | Модифікація і застосування нейромережі Хебба | uk |
| dc.type | Master Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Chukhlib_magistr.pdf
- Розмір:
- 1.52 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 9.06 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: