Однослойная нейронная сеть

Далее ⇒

Простейшая сеть состоит из группы нейронов, образующих слой, как показано в правой части. Каждый элемент из множества входов отдельным весом соединен с каждым искусственным нейроном. А каждый нейрон выдает взвешенную сумму входов в сеть. В искусственных и биологических сетях многие соединения могут отсутствовать, но здесь они показаны все для демонстрации общей картины. Могут существовать также соединения между выходами и входами элементов в слое.

Удобно считать веса элементами матрицы . Матрица имеет строк и столбцов, где — число входов, а — число нейронов. Например, — это вес, связывающий второй вход с третьим нейроном. Таким образом, вычисление выходного вектора Y= f(сумма по i от 1 до n от x_i*w_ij , j=1..n)

Персептрон -электронное устройство, являющееся моделью нейронной сети.

Сети прямого распространения -без обратных связей в структуре (сигнал по сети проходит только в одном направлении: от входа к выходу).

Статические сети -сети прямого распространения - однонаправленные, где выход каждого нейрона связан со всеми входами нейронов следующего слоя.

Динамические сети -сети второго класса (рекуррентные), где состояние сети в каждый момент времени зависит от предшествующего состояния.

Нейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать работу человеческого мозга.

Классификация НС:

1)по характеру обучения (по алгоритму обуч): Их обучение напоминает процесс интеллектуального развития человеческой личностис учителем- выходное пространство решений НС известно (есть набор базовых примеров с входами и выходами. Веса подстраиваются до тех пор пока не получим эталонный ответ), без учителя - нейронная сеть формирует выходное пространство решений только на основе входных воздействий. Такие сети называют самоорганизующимися(когда есть входы, а выходы сеть организует автоматически).Сеть обучается, чтобы для некоторого множества входов давать желаемое множество выходов.

2)по хар-ру настройки весов (синапсов): сети с фиксиров-ми связями (весовые коэффициенты НС выбираются сразу, исходя из условий задачи) и с динамическими связями (в процессе обучения происходит настройка синаптических связей)

3) по типу входной информации: бинарные НС (оперируют с информацией, представленной в двоичном виде) и аналоговые НС (используют информацию в форме действительных чисел)

4)по характеру связей(применяемая модель НС):

прямого распространения (без обратных связей . Все связи направлены строго от входных нейронов к выходным. Примерами таких сетей являются перцептрон Розенблатта, многослойный перцептрон, сети Ворда.),

рекуррентные сети (сети прямого распространения - однонаправленные, где выход каждого нейрона связан со всеми входами нейронов следующего слоя)

радиально-базисные,

самоорганизующиеся (Такие сети представляют собой соревновательную нейронную сеть с обучением без учителя, выполняющую задачу визуализации и кластеризации)

5)по числу слоев: однослойные и многослойные

Применения НС:

- распознавание образов и классификация (Задача состоит в указании принадлежности входного образа(например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К

известным приложениям относятся распознавание букв, распознавание речи);

- Кластеризация/категоризация (Под кластеризацией понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Кластеризация может быть использована для решения таких задач как обработка изображений, классификация, тематический анализ коллекций документов)

- прогнозирование (После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичными приложениями техники предсказания/прогноза.)

- ассоциативная память(Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию)

-управление(В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление приводами роботов.)

Распознавание ручного печатного шрифта, Контроль качества на производстве, Идентификация событий в ускорителях частиц, Борьба с наркотиками, Медицинские приложения, Финансовый анализ и прогнозирование, Управление и оптимизация.

На сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта.

Нейросетевые пакеты

Нейросетевые прикладные пакеты, разрабатываемые рядом компаний, позволяют пользователям работать с разными видами НС и с различными способами их обучения. Они могут быть как специализированными (например, для предсказания курса акций), так и достаточно универсальными. Н-р, чтобы повысить точность прогнозирования поведения потребителей, были использованы нейронные сети, обучающиеся на основе накопленной статистики. Для решения задачи применялись пакеты NeuroShell Classifier (рис. 5) и NeuroShell Predictor.

Далее ⇒