Е. Миркес - Учебное пособие по курсу «Нейроинформатика»

Тут можно читать онлайн Е. Миркес - Учебное пособие по курсу «Нейроинформатика» - бесплатно полную версию книги (целиком) без сокращений. Жанр: comp-programming, издательство КРАСНОЯРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ, год 2002. Здесь Вы можете читать полную версию (весь текст) онлайн без регистрации и SMS на сайте лучшей интернет библиотеки ЛибКинг или прочесть краткое содержание (суть), предисловие и аннотацию. Так же сможете купить и скачать торрент в электронном формате fb2, найти и слушать аудиокнигу на русском языке или узнать сколько частей в серии и всего страниц в публикации. Читателям доступно смотреть обложку, картинки, описание и отзывы (комментарии) о произведении.
  • Название:
    Учебное пособие по курсу «Нейроинформатика»
  • Автор:
  • Жанр:
  • Издательство:
    КРАСНОЯРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
  • Год:
    2002
  • Город:
    Красноярск
  • ISBN:
    нет данных
  • Рейтинг:
    4.22/5. Голосов: 91
  • Избранное:
    Добавить в избранное
  • Отзывы:
  • Ваша оценка:
    • 80
    • 1
    • 2
    • 3
    • 4
    • 5

Е. Миркес - Учебное пособие по курсу «Нейроинформатика» краткое содержание

Учебное пособие по курсу «Нейроинформатика» - описание и краткое содержание, автор Е. Миркес, читайте бесплатно онлайн на сайте электронной библиотеки LibKing.Ru

Данное учебное пособие подготовлено на основе курса лекций по дисциплине «Нейроинформатика», читавшегося с 1994 года на факультете Информатики и вычислительной техники Красноярского государственного технического университета.

Несколько слов о структуре пособия. Далее во введении приведены учебный план по данному курсу, задания на лабораторные работы. Следующие главы содержат одну или несколько лекций. Материал, приведенный в главах, несколько шире того, что обычно дается на лекциях. В приложения вынесены описания программ, используемых в данном курсе (Clab и Нейроучебник), и проект стандарта нейрокомпьютера, включающий в себя два уровня — уровень запросов компонентов универсального нейрокомпьютера и уровень языков описания отдельных компонентов нейрокомпьютера.

Данное пособие является электронным и включает в себя программы, необходимые для выполнения лабораторных работ.

Учебное пособие по курсу «Нейроинформатика» - читать онлайн бесплатно полную версию (весь текст целиком)

Учебное пособие по курсу «Нейроинформатика» - читать книгу онлайн бесплатно, автор Е. Миркес
Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать

OutSignals1 {Один выходной сигнал}

Parameters1 {Один параметр – вес связи}

Forw {Начало описания прямого функционирования}

Begin {Выходной сигнал – произведение входного сигнала на параметр}

OutSignals[1] = InSignals[1] * Parameters[1]

End {Конец описания прямого функционирования}

Back {Начало описания обратного функционирования}

Begin {Поправка к входному сигналу – произведение поправки к выходному сигналу на параметр}

Back.InSignals[1] = Back.OutSignals[1] * Parameters[1];

{Поправка к параметру – сумма ранее вычисленной поправки к параметру на произведение поправки к обратному сигналу на входной сигнал}

Back.Parameters[1] = Back.Parameters[1] + Back.OutSignals[1] * InSignals[1]

End {Конец описания обратного функционирования}

EndSynaps {Конец описания синапса}

ElementBranch(N : Long) {Точка ветвления на N выходных сигналов}

InSignals1 {Один входной сигнал}

OutSignalsN {N выходных сигналов}

Forw {Начало описания прямого функционирования}

Var LongI; {I – длинное целое – индекс}

Begin

ForI=1 ToN Do {На каждый из N выходных сигналов передаем}

OutSignals[I] = InSignals[1] {входной сигнал}

End {Конец описания прямого функционирования}

Back {Начало описания обратного функционирования}

Var {Описание локальных переменных}

LongI; {I – длинное целое – индекс}

RealR; {R – действительное – для накопления суммы}

Begin

R = 0;

ForI=1 ToN Do {Поправка ко входному сигналу равна сумме}

R = R + Back.OutSignals[I]; {поправок выходных сигналов}

Back.InSignals[1] = R

End {Конец описания обратного функционирования}

EndBranch {Конец описания точки ветвления}

ElementSum(N Long) {Простой сумматор на N входов}

InSignalsN {N входных сигналов}

OutSignals1 {Один выходной сигнал}

Forw {Начало описания прямого функционирования}

Var {Описание локальных переменных}

LongI; {I – длинное целое – индекс}

RealR; {R – действительное – для накопления суммы}

Begin

R = 0;

ForI=1 ToN Do {Выходной сигнал равен сумме входных}

R = R + InSignals[I];

OutSignals[1] = R

End {Конец описания прямого функционирования}

Back {Начало описания обратного функционирования}

Var LongI; {I – длинное целое – индекс}

Begin

ForI=1 ToN Do {Поправка к каждому входному сигналу равна}

Back.InSignals[I] = Back.OutSignals[1] {поправке выходного сигнала}

End {Конец описания обратного функционирования}

EndSum {Конец описания простого сумматора}

ElementMul {Умножитель}

InSignals2 {Два входных сигнала}

OutSignals1 {Один выходной сигнал}

Forw {Начало описания прямого функционирования}

Begin

OutSignals[1] = InSignals[1] * InSignals[2] {Выходной сигнал равен произведению входных сигналов}

End {Конец описания прямого функционирования}

Back {Начало описания обратного функционирования}

Begin

{Поправка к каждому входному сигналу равна произведению поправки выходного сигнала на другой входной сигнал}

Back.InSignals[1] = Back.OutSignals[1] * InSignals[2];

Back.InSignals[2] = Back.OutSignals[1] * InSignals[1]

End {Конец описания обратного функционирования}

EndMul {Конец описания умножителя}

ElementS_Train {Обучаемый гиперболический сигмоидный элемент}

InSignals1 {Один входной сигнал}

OutSignals1 {Один выходной сигнал}

Parameters1 {Один параметр – характеристика}

Forw {Начало описания прямого функционирования}

Begin

{Выходной сигнал равен отношению входного сигнала к сумме параметра и абсолютной величины входного сигнала}

OutSignals[1] = InSignals[1] / ( Parameters[1] + Abs( InSignals[1])

End {Конец описания прямого функционирования}

Back {Начало описания обратного функционирования}

Var RealR; {R – действительное}

Begin

{R – вспомогательная величина для вычисления поправок, равная отношению поправки выходного сигнала к квадрату суммы параметра и абсолютной величины входного сигнала}

R = Back.OutSignals[1] / Sqr( Parameters[1] + Abs( InSignals[1]);

{Поправка к входному сигналу равна произведению вспомогательной величины на параметр}

Back.InSignals[1] = R * Parameters[1];

{Поправка к параметру равна сумме ранее вычисленной величины поправки и произведения вспомогательной величины на входной сигнал}

Back.Parameters[1] = Back.Parameters[1] + R * InSignals[1]

End {Конец описания обратного функционирования}

EndS_Train {Конец описания обучаемого гиперболического сигмоидного элемента}

ElementS_NotTrain(Char : Real) {Не обучаемый гиперболический сигмоидный элемент Char – характеристика}

InSignals1 {Один входной сигнал}

OutSignals1 {Один выходной сигнал}

Forw {Начало описания прямого функционирования}

Begin

{Выходной сигнал равен отношению входного сигнала к сумме характеристики и абсолютной величины входного сигнала}

OutSignals[1] = InSignals[1] / (Char + Abs( InSignals[1])

End {Конец описания прямого функционирования}

Back {Начало описания обратного функционирования}

Begin

{Поправка к входному сигналу равна отношению произведения поправки выходного сигнала на характеристику к квадрату суммы характеристики и абсолютной величины входного сигнала}

Back.InSignals[1] =Back.OutSignals[1] * Char / Sqr(Char + Abs( InSignals[1]);

End {Конец описания обратного функционирования}

Читать дальше
Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать


Е. Миркес читать все книги автора по порядку

Е. Миркес - все книги автора в одном месте читать по порядку полные версии на сайте онлайн библиотеки LibKing.




Учебное пособие по курсу «Нейроинформатика» отзывы


Отзывы читателей о книге Учебное пособие по курсу «Нейроинформатика», автор: Е. Миркес. Читайте комментарии и мнения людей о произведении.


Понравилась книга? Поделитесь впечатлениями - оставьте Ваш отзыв или расскажите друзьям

Напишите свой комментарий
x