Обобщенная модель нейрона

Слив конденсата

Для слива конденсата в системе используются 27 кранов двух типов: на консолях установлено 22 нажимных крана; в центропланном топливном баке — 5 поворотных кранов. Краны слива конденсата используются также для удаления остатков топлива из баков после полного его слива на земле.

Обобщенная модель нейрона: Нейрон является составной частью нейронной сети. Он состоит из элементов трех типов: умножителей (синапсов), сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи (вес синапса). Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента—выхода сумматора. Эта функция называется функцией активации или передаточной функцией.

Основные определения:

Нейрон — основной элемент нейронной сети, выполняющий функцию адаптивного сумматора с варьируемыми входными весовыми коэффициентами, суммарный выходной сигнал которого подвергается линейной или нелинейной обработке, образуя итоговый выходной сигнал.

Синапс — линейная связь, характерная для каждого из сумматоров, служащая для обозначения направления распространения сигнала, который умножается на заданный синаптический весовой коэффициент.

Слой — множество нейронов (узлов), имеющих общие входные или выходные сигналы.

Нейронная сеть — структура соединенных между собой нейронов, которая характеризуется топологией, свойствами узлов, а также правилами обучения или тренировки для получения желаемого выходного сигнала.

Управляемое обучение — процесс обучения нейронной сети, непременным требованием которого является существование готового обучающего набора данных.

Обучение без управления — процесс обучения нейронной сети, при котором наличие полного набора эталонов не является обязательным.

Тестирование — этап проверки работоспособности нейронной сети.

Пояснения рисунка:

Нейронная сеть представляет собой структуру нейронов, соединенных между собой. Сеть характеризуется внутренними свойствами образующих ее нейронов, индивидуальной топологией (архитектурой), а также правилами обучения (тренировки).

Обобщенная структура отдельного нейрона представлена на рисунке.

Нейрон выполняет функцию адаптивного сумматора с регулируемыми уровнями входных сигналов, который осуществляет дополнительную линейную или нелинейную обработку вычисленной суммы с целью получения результата.

Нейрон получает входные сигналы от сенсоров (справедливо для нейронов входного слоя сети) или в форме центростремительных сигналов с выходов других формальных ячеек (справедливо для нейронов внутренних слоев и нейронов выходного слоя). Входная функция нейрона расположенного в слое m, реализует операцию суммирования взвешенных выходов пресинаптических нейронов, расположенных в предыдущем (m –1) слое.

Результат суммирования служит аргументом функции активации. Значение функции активации соответствует отклику нейрона на произвольную комбинацию входных воздействий. Иными словами, посредством активации нейрона осуществляется трансформация множества входных воздействий в выходной сигнал с желаемыми характеристиками. Вместе с правилами корректировки весовых коэффициентов на входе нейрона (правилами обучения), отличительной особенностью многих нейронных структур является выбор функции активации. Заметим, что активация нейронов может быть различной для разных слоев.

Выходная функция нейрона определяет взаимосвязь между уровнем активации нейрона m слоя и величиной его действительного выходного сигнала, передаваемого в последующий слой или на выход сети.

Дата добавления: 2015-06-04