TechShape.ru

Информационные технологии

Основные разделы

Квантовые нейронные сети в процессах обучения и управления

Сегодня, как и сто лет назад, несомненно, что мозг работает более эффективно и принципиально другим образом, чем любая вычислительная машина, созданная человеком. Именно этот факт в течение стольких лет побуждает и направляет работы ученых всего мира по созданию и исследованию искусственных нейронных сетей.

Искусственный Нейронные сети (ИНС) имеют некоторые привлекательные особенности как например параллельность распределенной обработки, ошибкоустойчивость и способность обучаться и обобщать полученные знания. Под свойством обобщения понимается способность ИНС генерировать правильные выходы для входных сигналов, которые не были учтены в процессе обучения (тренировки). Эти два свойства делают ИНС системой переработки информации, которая решает сложные многомерные задачи, непосильные другим техникам. Тем не менее ИНС также сталкиваются со многими трудностями, в том числе это отсутствие правил для детерминированных оптимальных архитектур, ограниченная вместимость памяти, занимающая много времени на обучение и т.д. [3].

Искусственные Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами:

. Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных

. Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

В сфере ИНС, некоторые первооткрыватели вводили квантовое

вычисление в аналогичное обсуждение, такое как

квантовое нейронное вычисление

, поглощенная квантовая нейронная сеть, квантовая ассоциативная память и параллельное обучение. Они сконструировали фонд для дальнейшего изучения квантового вычисления в ИНС. В ходе этого появляется область искусственных нейронных сетей, основанных на квантовых теоретических понятиях и методах. Они называются Квантовые Нейронные Сети [3].

Исследование и анализ Квантовых Нейронных Сетей, их практическое применение.

Направления работы исследования

· Выявить преимущества квантовых нейронных сетей перед классическими сетями.

· Рассмотреть примеры применения квантовых нейронных сетей в процессах интеллектуального управления.

· Провести моделирование работы квантового нейрона на классическом компьютере.

· Моделирование сети кластеризации данных в MATLAB.

· Рассмотреть конкретный пример из робототехники (робот-манипулятор).

Исходные данные

· Девятитомник по квантовым вычислениям и квантовому программированию, издание Миланского университета, автор Ульянов С.В.

· Монография Нильсона, 2006 года.

· Сайт www.qcoptimizer.com.

Исследовательская составляющая

Исследование относится к инновационным технологиям разработки квантовых нейронных сетей в области интеллектуальных систем управления с обучением. Решение перечисленных задач тесно связано с разработкой методов квантового программирования и представляет теоретический и практический интерес для процессов проектирования робастного интеллектуального управления в условиях риска и непредвиденных ситуаций управления с учетом квантовых эффектов при формировании информационного процесса самоорганизации баз знаний.

    Еще статьи

    Схемные функции и частотные характеристики линейной электрической цепи
    Цель курсовой работы - овладеть способами нахождения частотных характеристик цепи. Представленная схема нагрузки является фильтром частот, что определяет область её применения. Используемая при работе эквивалентная схема транзистора является простейшей (для облегчения расчетов), но она позволяет качеств ...

    Все права защищены! 2019 - www.techshape.ru