Размышление на тему недавних событий...

Средства массовой информации бьют тревогу: похищен человек!

На месте преступления полиция ведёт опрос очевидцев

Как всегда, сведения, предоставляемые очевидцами, крайне скупы и противоречивы…

Мальчик, оказавшийся случайно недалеко от места преступления утверждал, что похитители уехали на машине с московскими номерами…

Как, используя возможности программы EXCEL, создать базу данных номеров ТС?

Алгоритм поиска машин московского региона:
1.Занесём в единую таблицу номера машин.
2.Используя текстовую функцию Заменить, выделим номера машин.
3.Используя логическую Если, придадим значение Истина номерам машин московского региона.
4. Используя Условное форматирование и логические функции, окрасим интересующие нас ячейки.

1.Занесём в единую таблицу номера машин.
2.Используя текстовую функцию Заменить, выделим номера машин.

3.Используя логическую Если, придадим значение Истина номерам машин московского региона.

4. Используя Условное форматирование и логические функции, окрасим интересующие нас ячейки.

Случайный прохожий утверждал, что запомнил марку, модель и цвет автомобиля предполагаемого похитителя.

С помощью программы Access можно по описанию автомобиля найти адрес хозяина.

Алгоритм создания БД «ГАИ»:
1.Создадим базу данных под условным именем «ГАИ».
2. Создадим макет таблицы Автовладельцы и заполним её.
3. Создадим макет таблицы Автомобили и заполним её.
4. Свяжем таблицы по ключевому полю Номер ТС.
5. Создадим Запрос, при введении в который необходимого требования, можно получить немедленный ответ.

Создадим макет таблицы Автовладельцы и заполним её.

Создадим макет таблицы Автомобили и заполним её.

Свяжем таблицы по ключевому полю Номер ТС.

Создадим Запрос, при введении в который необходимого требования, можно получить немедленный ответ.
Вопросы:
Ответ:

Программист, работавший в офисе по соседству, сказал, что видел машину, но вспомнить марку, модель и номер не может… Но если его погрузить в гипнотический сон, то рука с помощью мышки, сумеет воссоздать номер машины! Тем более, что программист только создал программу по распознаванию траектории движения мышки!

Программист был введён в транс, и на экране компьютера последовательно появились все цифры номера машины похитителей!.

Похитители пойманы! Жертва похищения -на свободе!

Но что за программку составил программист?
Он обучил персептрон распознавать образы, нарисованные с помощью
мышки на экране компьютера.
И так, ПЕРСЕПТРОН?!

Энциклопедия сообщает:
Перцептро́н, или персептрон (англ. perceptron от лат. perceptio — восприятие; нем. perzeptron) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга).
Персептрон стал одной из первых моделей нейросетей.

Первые нейросети были созданы в конце 50-х годов 20 века американскими учеными Розенблаттом и Мак-Кигюком. Это были попытки создать системы, моделирующие человеческий глаз и его взаимодействие с мозгом.
Фрэнк Розенблатт со своим творением - «Марк-1» - первым в мире нейрокомпьютером.

Экскурс в биологию:

Мозг любого человека насчитывает примерно из 1011 нейронов. Каждый нейрон получает информацию через свои дендриты, а передает ее дальше только через единственный аксон, разветвляющийся на конце на тысячи синапсов.

Схема работы нейронной сети:
Дендриды нейрона принимают сигналы в точках, называемых синапсами.
Входные сигналы подводятся к телу нейрона.
В теле нейрона сигналы суммируются, причем одни входные сигналы стремятся возбудить нейрон, другие – воспрепятствовать его возбуждению.
Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону сигнал другим нейронам.

Схема искусственного нейрона
1.Нейроны, выходные сигналы которых поступают на вход данному
2.Сумматор входных сигналов
3.Вычислитель передаточной функции
4.Нейроны, на входы которых подаётся выходной сигнал данного
5.wi — веса входных сигналов.

Алгоритм «обучения» персептрона – настройки искусственной нейронной сети
Задается и обнуляется матрица весов.
Обучающий образ, представленный входным вектором X (нулей и единиц) умножается на матрицу весов. В результате получается вектор NET, размерность которого равна количеству нейронов.
Строится на основе полученного произведения выходной вектор (такой же размерности) по формуле: yi = F (NETi), где F - пороговая функция.
Сравнивается покомпонентно получившийся вектор Y с правильным ответом. Под ответом подразумевается вектор такой же размерности, что и выходной.
При этом сравнении выполняются следующие действия (для каждой компоненты векторов):
Если j-тая компонента результата больше j-той компоненты ответа, мы вычитаем входной (!) вектор из j-того столбца матрицы весов, то есть столбца j-того нейрона (что бы при последующем умножении входного вектора на матрицу скалярное произведение оказалось меньше).
Если j-тая компонента результата меньше j-той компоненты ответа, мы прибавляем входной (!) вектор к j-тому столбцу матрицы весов.
Таким образом, входной вектор корректирует матрицу весов под свои значения.
Так же персептрон обучается на втором обучающем образе, третьем, ..., k-том.
Если хотя бы один обучающий образ изменил матрицу весов, повторяем все еще раз с шага 2. Существует теорема, что если классы обучающих образов разделимы, то рано или поздно матрица перестанет меняться (обучится).

Распознавание персептроном нарисованных символов