Классификация и применение нейронных сетей.

1. Нейронные сети Классификация и применение нейронных сетей.

2. Нейронные сети. • Искусственные нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров. Такие процессоры обычно исключительно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам, и, тем не менее, будучи соединенными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

3. Архитектура нейронных сетей

4. Многослойные полносвязанные нейронные сети

5. Многослойная нейронная сеть для классификации изображений • В этой статье исследуется пригодность использования нейронной сети обратного распространения (BPNN) для классификации отдаленно-считанных изображений. Предложен подход, состоящий из трех шагов, для классификации IRS-1D изображений. На первом шаге признаки извлечены из мер гистограмм первого порядка. Следующий шаг - классификация признаков основанных на BPNN, и на последнем шаге, результаты сравниваются с методом максимального правдоподобия (MLC). Статистические признаки в этой статье основаны на законе распределения первого порядка: среднее, стандартное отклонение, перекос, эксцесс, энергия, и энтропия.

6. Структура нейронных сетей • Сеть содержит 3 слоя. Извлеченные характеристики подаются на входной слой, состоящий из 18 нейронов. Нейронная сеть обратного распространения обучалась на шести классах IRS-1D, изображения основаны на известных признаках и обучение сети использовалась для классификации всех изображений. Метод рассмотренный в этой статье тестировался на регионах Ирана. IRS-1D 8-битовые зоны 2, 3 и 4 LISS-Ш были объединены с панорамными данными, для построения изображения с пространственным разрешением на 5.8 м. Экспериментальные результаты показывают, что метод BPNN более точен чем MLC и более чувствителен к обучению участков.

7. Нейронные сети в системе STATISTICA

9. Повседневное применение нейронных сетей • Нейронные сети оказались очень полезными при решении задач распознавания образов типа идентификации подводных объектов по сигналам гидролокатора или выявления фальшивых кредитных карточек.

10. Заключение: • Будущее нейронных сетей кажется вполне ясным, и сегодня это та область знаний, о которой должны иметь определенное представление все научные специалисты, работающие в области компьютерных технологий, равно как и многие инженеры и научные работники смежных специальностей.