Классификация и применение нейронных сетей.. Нейронные сети. Искусственные нейронные сети представляют собой устройства параллельных вычислений, состоящие. - презентация

1 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

8

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.