ЭлБиб

Пакет Neural Networks Toolbox содержит средства для проектирования,

моделирования, обучения искусственных нейронных сетей (ИНС) от базо

вых моделей персептрона до самых современных ассоциативных и самоор

ганизующихся сетей. Искусственные многослойные нейронные сети конст

руируются по принципам построения их биологических аналогов.

Многочисленные проблемы в математике, статистике, технике, науке,

медицине и экономике рассматриваются, прежде всего, как проблемы опти-

ми-зации. Задачей алгоритма оптимизации является нахождение такого ре

шения, которое удовлетворяет системе ограничений и максимизирует или

минимизирует целевую функцию. Под нейронными сетями подразумевают

ся вычислительные структуры, которые моделируют простые биологичес

кие процессы, обычно ассоциируемые с процессами человеческого мозга.

Адаптируемые и обучаемые, они представляют собой распараллеленные

системы, способные к обучению путем анализа положительных и отрица

тельных воздействий.

По принципу структуры нейронов, сети подразделяют на гомогенные и

гетерогенные; бинарные и аналоговые; асинхронные и синхронные. Клас

сифицируют сети и по числу слоев. Чем сложнее ИНС, тем масштабнее за

дачи, подвластные ей. Выбор структуры ИНС осуществляется в соответ

ствии с особенностями и сложностью задачи. Любая непрерывная функция

на замкнутом ограниченном множестве может быть равномерно приближе

на функциями, вычисляемыми нейронными сетями. Таким образом, нейрон

ные сети являются универсальными аппроксимирующими системами.

На рисунке представлена поверхность отклика между 1,2 факторами и

выходом процесса.

Аналогичные срезы поверхностей отклика получены при анализе всех

межфакторных взаимодействий, что позволило определить оптимальный

312

Научная электронная библиотека ЦНСХБ