Misją Instytutu jest dzialalność naukowo-badawcza prowadząca do nowych rozwiązań technicznych i organizacyjnych użytecznych w kształtowaniu warunków pracy zgodnych z zasadami bezpieczeństwa pracy i ergonomii oraz ustalanie podstaw naukowych do właściwego ukierunkowywania polityki społeczno-ekonomicznej państwa w tym zakresie.
Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2000
|
CZĘŚĆ I. ARCHITEKTURY, ALGORYTMY UCZENIA I PROJEKTOWANIE SIECI (1) |
1. Wstęp do sieci neuronowych (3) |
1.1. Wprowadzenie (3) |
1.2. Biologiczne inspiracje neurokomputingu (10) |
1.3. Podstawowy model neuronu i sieci neuronowej (14) |
1.4. Działanie sieci neuronowej i jej uczenie (20) |
1.5. Intuicyjne przedstawienie sposobu działania i procesu uczenia przykładowej prostej sieci neuronowej (23) |
1.6. Przykład uczenia prostej sieci neuronowej (25) |
1.7. podsumowanie (28) |
Bibliografia (28) |
2. Wstępne przetwarzanie danych (29) |
2.1. Wprowadzenie (29) |
2.2. Reprezentacja danych (31) |
2.3. Przetwarzanie wstępne (32) |
2.4. Formowanie zbiorów obrazów (56) |
2.5. Przetwarzanie zbiorów danych treningowych (60) |
2.6. Podział zbioru obrazów na próbki uczące i testujące (67) |
2.7. Podsumowanie (69) |
Bibliografia (70) |
3. Metoda wstecznej propagacji błędów i jej modyfikacje (73) |
3.1. Wprowadzenie (73) |
3.2. Metoda wstecznej propagacji błędów (80) |
3.3. Modyfikacje metody wstecznej propagacji błędów (83) |
3.4. Podsumowanie (106) |
Bibliografia (109) |
4. Zastosowanie algorytmu RLS do uczenia sieci neuronowych (111) |
4.1. Wprowadzenie (111) |
4.2. Zastosowanie algorytmu RLS do uczenia sieci neuronowych w przypadku liniowej funkcji aktywacji (115) |
4.3. Zastosowanie algorytmu RLS do uczenia sieci neuronowych - obliczanie błędów w części liniowej neuronów (122) |
4.4. Zastosowanie algorytmu RLS do uczenia sieci neuronowych w przypadku linearyzacji funkcji aktywacji (126) |
4.5. Podsumowanie (132) |
Bibliografia (133) |
5. Neuronowe sieci modularne (135) |
5.1. Wprowadzenie (135) |
5.2. Ogólne założenia (137) |
5.3. Poziomy informacji na wyjściu klasyfikatora (138) |
5.4. Kombinowanie odpowiedzi dla wielosieciowego klasyfikatora (139) |
5.5. Architektury i uczenie sieci modularnych (160) |
5.6. Wybrane przykłady zastosowań (165) |
5.7. Podsumowanie (173) |
Bibliografia (175) |
6. Samoorganizujące sieci neuronowe (179) |
6.1. Wprowadzenie (179) |
6.2. Sieci Kohonena (181) |
6.3. Konkurencja - proste sieci działające na zasadzie konkurencji (188) |
6.4. Wektorowa kwantyzacja a sieci SOM (190) |
6.5. Teoretyczne własności SOM (192) |
6.6. Obrazowanie wielowymiarowych danych i redukcja wymiaru problemu (199) |
6.7. Praktyczne aspekty obliczeń przy pomocy SOM (200) |
6.8. Sieci samoorganizujące z sąsiedztwem definiowanym adaptacyjnie (205) |
6.9. Sieci samorozwijające (208) |
6.10. Inne sieci z samoorganizacją (208) |
6.11. Podsumowanie (216) |
Bibliografia (216) |
7. Statyczne i dynamiczne sieci GMDH (227) |
7.1. Wprowadzenie (227) |
7.2. Algorytm GMDH (228) |
7.3. Uogólnienia algorytmu GMDH (243) |
7.4. Zastosowanie sieci GMDH (251) |
7.5. podsumowanie (254) |
Bibliografia (255) |
8. Ontogeniczne sieci neuronowe (257) |
8.1. Wstęp (257) |
8.2. Modelowanie zmniejszające strukturę sieci (259) |
8.3. Modele o strukturach rozstających się (267) |
8.4. Sieć IncNet ze statystyczną kontrolą złożoności sieci (274) |
8.5. Przykładowe zastosowanie sieci IncNet (288) |
8.6. Podsumowanie (290) |
Bibliografia (290) |
9. Strategie projektowania sieci neuropodobnych ((295) |
9.1. Wprowadzenie (295) |
9.2. Separowalne zbiory danych (297) |
9.3. Warstwy neuronów formalnych (298) |
9.4. Projektowanie warstw rangowych (301) |
9.5. Projektowanie warstw dipolowych (305) |
9.6. Perceptronowa funkcja kryterialna (308) |
9.7. Dipolowa funkcja kryterialna (312) |
9.8. Algorytmy wymiany rozwiązań bazowych (313) |
9.9. Projektowanie struktur hierarchicznych (316) |
9.10. Uwagi końcowe (319) |
Bibliografia (320) |
10. Optymalizacja architektury sieci neuronowych (323) |
10.1. Wprowadzenie (323) |
10.2. Problem optymalizacji architektury sieci (324) |
10.3. Dobór architektury sieci MLP (327) |
10.4 Podsumowanie (365) |
Bibliografia (365) |
CZĘŚĆ II. ZASTOSOWANIA |
11. Aproksymacja funkcji przy pomocy jednokierunkowych sieci neuronowych (371) |
11.1. Wprowadzenie (371) |
11.2. Zdolności aproksymacyjne sieci sigmoidalnych (373) |
11.3. Sieci o bazach radialnych (379) |
11.4. Podsumowanie (385) |
Bibliografia (386) |
12. Sieci dynamiczne i ich zastosowanie w modelowaniu i identyfikacji (389) |
12.1. Wprowadzenie (389) |
12.2. Modelowanie neuronowe (390) |
12.3. Dynamiczne modele neuronów (391) |
12.4. Architektury sieci dynamicznych (402) |
12.5. Zastosowania (408) |
12.6. Podsumowanie (413) |
Bibliografia (414) |
13. Sieci neuronowe w identyfikacji systemów Wienera i Hammersteina (419) |
13.1. Wprowadzenie (419) |
13.2. Systemy Wienera i Hammersteina (420) |
13.3. Metody identyfikacji systemów Wienera i Hammersteina (422) |
13.4. Modele neuronowe systemów Wienera i Hammersteina (425) |
13.5. Algorytmy uczenia neuronowych modeli systemów Wienera i Hammersteina (429) |
13.6. Podsumowanie (453) |
Bibliografia (454) |
14. Sieci neuronowe w przetwarzaniu i rozpoznawaniu obrazów (459) |
14.1. Wprowadzenie (459) |
14.2. Przetwarzanie i rozpoznawanie obrazów - przegląd problemów (460) |
14.3. Rodzaj zadania a zastosowane przetwarzanie wstępne obrazu (464) |
14.4. Przegląd sieci, używanych do przetwarzania i rozpoznawania obrazów (471) |
14.5. Przykłady zastosowań (475) |
14.6. Aktywne systemy wizyjne a sieci neuronowe (482) |
14.7. Podsumowanie i perspektywy (487) |
Bibliografia (490) |
15. Wybrane obszary biomedycznych zastosowań sieci neuronowych (495) |
15.1. Wprowadzenie (495) |
15.2. Powody popularności sieci neuronowych (497) |
15.3. Obszary tematyczne, w których sieci neuronowe są najczęściej stosowane w biocybernetyce i inżynierii biomedycznej (501) |
15.4. Podsumowanie (510) |
Bibliografia (511) |
16. Neuronowe metody analizy szeregów czasowych i możliwości ich zastosowań w zagadnieniach biomedycznych (521) |
16.1.Wprowadzenie (521) |
16.2. Cechy modeli neuronowych (526) |
16.3. Ograniczenia stosowalności neuronowych modeli szeregów czasowych (529) |
16.4. Przykłady użycia sieci neuronowych w analizie szeregów czasowych (530) |
16.5. Schemat budowy neuronowego modelu szeregu czasowego (531) |
16.6. Wstępna analiza pierwotnego szeregu czasowego (532) |
16.7. Budowa modeli cząstkowych (537) |
16.8. Wybór rodzaju sieci neuronowej (538) |
16.9. Dobór zmiennych wejściowych (542) |
16.10. Określenie struktury modelu (544) |
16.11. Preprocessing składowych szeregu (550) |
16.12. Estymacja modeli cząstkowych i ocena ich poprawności (553) |
16.13. Konstrukcja modelu zagregowanego (555) |
16.14. Ocena poprawności modelu (555) |
16.15. Podsumowanie (565) |
Bibliografia (566) |
17. Analiza szeregów czasowych obrazów fMRI (569) |
17.1. Wprowadzenie (569) |
17.2. Badania fMRI (570) |
17.3. Wstępna obróbka skanów (571) |
17.4. Metody detekcji aktywacji funkcjonalnej (572) |
17.5. PCA - analiza składowych głównych (574) |
17.6. ICA - analiza składowych niezależnych (576) |
17.7. Rozkład PCA/ICA dla danych fMRI (580) |
17.8. Przykład zastosowania ICA w analizie fMRI (583) |
17.9. Podsumowanie (585) |
Bibliografia (587) |
18. Sieci neuronowe w modelowaniu zaburzeń neuropsychologicznych i chorób psychicznych (589) |
18.1. Wprowadzenie (589) |
18.2. Problemy neurologiczne (592) |
18.3. Zaburzenia pamięci (595) |
18.4. Choroba Alzheimera (598) |
18.5. zaburzenia językowe (600) |
18.6. Choroby psychiczne (604) |
18.7. Sieci atraktorowe (606) |
18.8. Podsumowanie (611) |
Bibliografia (613) |
19. Sieci neuronowe i logika rozmyta w medycynie - przegląd zastosowań (617) |
19.1. Wprowadzenie (617) |
19.2. Inteligentne systemy obliczeniowe (618) |
19.3. Zastosowania sieci neuronowych (620) |
19.4. Zastosowania systemów rozmytych (624) |
19.5. podsumowanie (627) |
Bibliografia (628) |
CZĘŚĆ III METODY HYBRYDOWE (635) |
20. Neuronowe metody odkrywania wiedzy w danych (637) |
20.1. Wprowadzenie (637) |
20.2. Różne formy reprezentacji wiedzy (638) |
20.3. Ekstrakcja reguł logicznych (639) |
20.4. Optymalizacja reguł (650) |
20.5. Rozmywanie reguł (651) |
20.6. Wyniki (651) |
20.7. Podsumowanie (658) |
Bibliografia (658) |
21. Sieci neuronowe i uczenie maszynowe: próba integracji (663) |
21.1. Wprowadzenie (663) |
21.2. Schemat metod opartych na podobieństwie (665) |
21.3. Sieci MLP a metody oparte na podobieństwie (676) |
21.4. Pamięć asocjacyjna, dopełnianie wzorców i brakujących wartości (681) |
21.5. Implementacja i realizacja sieciowa (683) |
21.6. Przykładowe wyniki (687) |
21.7. Podsumowanie (687) |
Bibliografia (689) |
22. Algorytmy genetyczne i ewolucyjne (691) |
22.1. Wprowadzenie (691) |
22.2. Opis algorytmu genetycznego (692) |
22.3. Przykład działania algorytmu genetycznego (696) |
22.4. Matematyczne podstawy działania algorytmów genetycznych (702) |
22.5. Algorytmy ewolucyjne (704) |
22.6. Modyfikacje podstawowego algorytmu genetycznego (705) |
22.7. Strategie ewolucyjne i programowanie ewolucyjne (711) |
22.8. Programowanie genetyczne (712) |
22.9. Algorytm ewolucyjny z miękką selekcją (713) |
22.10. Symulowane wyżarzanie (714) |
22.11. Zastosowanie algorytmów genetycznych i ewolucyjnych do sieci neuronowych (714) |
22.12. Ewolucyjne uczenie sieci neuronowych (715) |
22.13. Optymalizacja wag sieci neuronowych za pomocą algorytmu genetycznego (717) |
22.14. Hybrydowa metoda optymalizacji wag sieci neuronowych (723) |
22.15. Optymalizacja architektury sieci neuronowych za pomocą algorytmu ewolucyjnego (724) |
22.16. Inne zastosowania algorytmów genetycznych i ewolucyjnych (728) |
22.17. Podsumowanie (728) |
Bibliografia (729) |
23. Systemy rozmyte i rozmyto-neuronowe (733) |
23.1. Wprowadzenie (733) |
23.2. Zbiory rozmyte i logika rozmyta (734) |
23.3. Systemy rozmyte (746) |
23.4. Systemy rozmyto-neuronowe (753) |
23.5. Podsumowanie (762) |
Bibliografia (763) |
24. Inteligentne systemy obliczeniowe i sztuczna inteligencja (765) |
24.1. Wprowadzenie (765) |
24.2. Koncepcja inteligentnego systemu obliczeniowego (766) |
24.3. Realizacje inteligentnych systemów obliczeniowych (768) |
24.4. Zastosowania inteligentnych systemów obliczeniowych (771) |
24.5. Inteligentne systemy obliczeniowe a systemy sztucznej inteligencji (773) |
24.6. Podsumowanie (779) |
Bibliografia (780) |
25. Metody hybrydowe w diagnostyce medycznej (785) |
25.1. Wprowadzenie (785) |
25.2. Algorytm grupowania danych (786) |
25.3. Baza reguł systemu rozmyto-neuronowego (789) |
25.4. Architektura i uczenie systemu rozmyto-neuronowego (791) |
25.5. Zastosowanie do diagnozy choroby serca (794) |
25.6. Diagnostyka komórek nowotworowych (795) |
25.7. Podsumowanie (797) |
Bibliografia (798) |
26. Model FSM w zastosowaniu do klasyfikacji (801) |
26.1. Wprowadzenie (801) |
26.2. FSM (803) |
26.3. Architektura sieci FSM (805) |
26.4. Inicjalizacja (807) |
26.5. Algorytm uczenia (811) |
26.6. Przykładowe rezultaty (818) |
26.7. Podsumowanie (822) |
Bibliografia (823) |
Spis rysunków (825) |
Spis tabel (832) |
© 2002-2004 Centralny Instytut Ochrony Pracy - Państwowy Instytut Badawczy www.anc.pl, www.ciop.pl