Искусственные нейронные сети
ГБОУ школа
№485 Московского района
Санкт-Петербурга
учитель
информатики Кузнецов В.С.
Искусственная
нейронная сеть (ИНС) — математическая модель, а также её программная или
аппаратная реализация, построенные по принципу организации и функционирования
биологических нейронных сетей — сетей нервных клеток живого организма [1].
ИНС могут выполнять следующие задачи:
–
Классификация образов. Задача состоит в указании принадлежности входного
образа (например, речевого сигнала или рукописного символа), представленного
вектором признаков, одному или нескольким предварительно определенным классам.
Известны приложения теории нейронных вычислений к решениям задач распознавания
букв, речи, классификации сигналов электрокардиограммы, классификации клеток
крови.
–
Кластеризация/категоризация. Алгоритм кластеризации основан на подобии образов и
размещает близкие образы в один кластер. Известны случаи применения
кластеризации для извлечения знаний, сжатия данных и исследования свойств
данных.
–
Аппроксимация
функций. Предположим, что
имеется обучающая выборка ((x1, y1), (x2, y2), ... , (xn,yn))
(пары данных вход – выход), которая генерируется неизвестной функцией
y = f(x), искаженной шумом. Задача аппроксимации
состоит в оценивании неизвестной функции y = f(x).
Аппроксимация функций необходима при решении многочисленных инженерных и
научных задач моделирования.
–
Предсказание/прогноз. Пусть заданы n дискретных отсчетов {y(t1), y(t2), ... , y(tn)}
в последовательные моменты времени t1, t2,
... , tn . Задача состоит в предсказании значения y(tn+1)
в некоторый будущий момент времени tn+1.
Предсказание цен на фондовой бирже и прогноз погоды являются типичными
приложениями техники предсказания/прогноза.
–
Оптимизация. Многочисленные задачи математики, статистики, техники,
науки, медицины и экономики могут рассматриваться как проблемы оптимизации.
Задачей алгоритма оптимизации является отыскание такого решения, которое
удовлетворяет системе ограничений и максимизирует или минимизирует целевую
функцию.
–
Построение
характеристик направленности (beamforming). Цель этой задачи – определение направления на источник сигнала (например,
гидроакустического), принимаемого специальной антенной – антенной решеткой, на
фоне аддитивного шума. [2]
ИНС могут быть реализованы двумя способами:
– программная
модель ИНС, реализованная на компьютерах с последовательной или параллельной
архитектурой;
– аппаратная
модель, реализованная с помощью специальных нейроплат [3].
Программная
модель дает проигрыш в быстродействии, однако, на этапе проектирования сети, исследования
и оптимизации ее свойств и возможностей, этот путь представляется наилучшим,
так как требует несравнимо меньших материальных затрат по сравнению с
аппаратной реализацией.
Программировать
ИНС можно с использованием языков общего назначения (например, С). Однако
используют и специализированные языки, которые предоставляют средства для
описания структуры элементов и связей сети в терминах предметной области.
Примером такого специализированного языка может служить язык описания нейронных
сетей AXON.
Его синтаксис разработан при участии Р. Хехт-Нильсена (R. Hecht-Nielsen),
и опирается на синтаксис языка С [2].
В
области аппаратной реализации основными коммерческими аппаратными изделиями на
основе ИНС являются в настоящее время так называемые нейроБИС или нейроплаты.
Как было отмечено выше, ИНС функционирует по принципу
процессов, протекающих в мозге при мышлении. Искусственный нейрон имитирует в
первом приближении свойства биологического нейрона.
Как правило, во всех известных нейронных сетях множество
ИН разделено на подмножества, которые называются слоями. Искусственные
нейроны могут быть связаны как с искусственными нейронами своего слоя, так и с
искусственными нейронами других слоев [4].
На вход искусственного нейрона поступает некоторое
множество сигналов, каждый из которых является выходом другого нейрона. Каждый
вход умножается на соответствующий вес, аналогичный синаптической силе, и все
произведения суммируются, определяя уровень активации нейрона. На рис.1
представлена модель, реализующая эту идею.
Рис.1.
Искусственный нейрон
Каждый
из N + 1
входных сигналов умножается на соответствующий
весовой коэффициент и поступает на суммирующий
блок, обозначенный Σ. Множество весовых коэффициентов входных связей нейрона
обозначается W и представляет собой вектор-столбец W = [w0, w1, …, wN]T.
Суммирующий
блок, соответствующий телу биологического элемента, складывает взвешенные входы
алгебраически, т.е. вычисляет их линейную комбинацию:
.
(1.1)
Значение
, вычисленное по (1.1), называется внутренним
выходом ИН, и далее преобразуется функцией активации f,
в результате чего получается выходной сигнал искусственного нейрона:
y = f(I).
(1.2)
Заметим,
что значения параметров x0
и w0
фиксированы. Весовой коэффициент w0
принимает значение q, которое называется пороговым
значением функции активации.
Существует
много разновидностей функций активации, но наиболее удобна в использовании
нелинейная зависимость, называемая логистической функцией и определяемая как
,
(1.3)
где
a
– параметр, определяющий свойства функции.
Следует
отметить, что функция (1.3) дифференцируема на всей оси абсцисс, что
используется в некоторых алгоритмах обучения [3].
Существует
два основных класса методов обучения ИНС [1]:
1.
Обучение с учителем;
2.
Самообучение.
Обучение
с учителем предполагает ситуацию, в которой ИНС
получает входной вектор X и формирует выходной вектор Y. Для
такой системы обучение с учителем означает режим, в котором сети
предоставляются образцы (x1, y1), (x2, y2),...,
(xk, yk),... корректных (или желаемых)
пар вход/выход.
Обозначим
действительный выход сети Y ',
а желаемый Y. Иными словами, Y '
является оценкой желаемого выхода Y.
Действительный выходной вектор до окончания процедуры обучения будет отличаться
от желаемого, что и является исходной информацией для изменения параметров ИН и
весов межнейронных связей ИНС. В этом случае Y = F(X)
неизвестная функция, а Y ' = G(X, W)
– ее аппроксимация, которую должна воспроизводить нейронная сеть. Тогда
обучение сети сводится к минимизации среднеквадратической ошибки аппроксимации
по параметру W.
Самоорганизация
предполагает формирование значений весовых
коэффициентов W,
минимизирующих ошибку аппроксимации, лишь на основании сведений о входных
сигналах X [3].
CПИСОК ЛИТЕРАТУРЫ
- Википедия. Свободная
энциклопедия [Электронный ресурс]. – Режим доступа:
http://ru.wikipedia.org, свободный. Загл. с экрана.
- Лисс А.А., Степанов
М.В. Нейронные сети и нейрокомпьютеры: Учеб. пособие.: СПбГЭТУ «ЛЭТИ»,
1997. – 64 с.
- Галушкин А.И. Теория
нейронных сетей. Кн.1: Учеб. пособие для вузов / Общая ред. А.И.
Галушкина. – M.:
ИПРЖР, 2000. – 416 с.
- Уоссермен Ф.
Нейрокомпьютерная техника. - М.:Мир,1992. – 240 с.
Оставьте свой комментарий
Авторизуйтесь, чтобы задавать вопросы.