Структура биологического и искусственного нейрона

Понятие нейронной сети.

Целесообразность применения систем нечеткой логики

Системы с нечеткой логикой целесообразно применять в следующих случаях:

- для сложных процессов, когда нет простой математической модели

- если экспертные знания об объекте или о процессе м сформулировать только в лингвистической форме

Данные системы нецелесообразно применять, если:

1. требуемый результат может быть получен каким-либо другим стандартным путем

2. когда для объекта или процесса уже найдена адекватная и легко исследуемая математическая модель.

Основным недостатком систем с нечеткой логикой является то, что:

а) исходный набор постулированных нечетких правил формулируется экспертом - человеком и может быть неполным и/или противоречивым

б) вид и параметры функции принадлежности, описывающие входные и выходные переменные, выбираются субъективно и могут не в полне отражать реальную действительность.

Нейронная сеть (искусственная) – вычислительная структура, которая моделирует простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Адаптированные и обучаемые, они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом.

Термин «нейронная сеть» сформулировался в 40-х гг. ХХ в., когда проводились исследования по организации и функционированию биологических нейронных сетей.

Основные результаты получены учеными У. Маккалоком, Ф. Розенблатом, М. Минским, Дж. Хопфилдом.

Проблемы, решаемые нейронными сетями, представлены ниже:

Классификация образов, кластеризация, аппроксимация функций, предсказание и прогноз, оптимизация, память, адресуемая по содержанию (ассоциативная память), управление и т.д.

Рассмотрим структуру биологического нейрона.

Биологический нейрон – нервная клетка, из которой состоит нервная система и мозг человека. Нервные клетки соединены нервными волокнами, которые передают нервные импульсы между нейронами. Можно сказать, что нейрон обрабатывает информацию. Он состоит из тела и отростков нервных волокон двух типов – дендритов, по которым принимаются импульсы и единственного анона, по которому нейрон передает импульсы.

Тело нейрона включает ядро, которое содержит информацию о наследственных свойствах и питательную плазму (сому). Нейрон получает сигналы от других нейронов через дендриты и передает сигнал, сгенерированный телом клетки вдоль своего атеона, на окончаниях который разветвляется на специальные образования – синопсы, которые влияют на силу импульса. Синопс является функциональным узлом между двумя нейронами. Когда импульс достигает синоптическото окончания, высвобождаются химические вещества – нейротрансмиторы. Нейротрансмиторы дифундируют через синоптические щели, возбуждая или затормаживая (в зависимости от типа синопса) способность нейрона – приемника генерировать электрические импульсы. Веса синопса могут изменяться со временем, что изменяет поведение соответствующего нейрона. По аналогии с биологическим нейроном была разработана структура искусственного нейрона. В дальнейшем искусственный нейрон, являющийся частью нейронной сети, будем называть просто нейроном, его структура показана на рисунке.

x1 S

xi y

xn

в

где w1,wi,wn – веса синапсов, на которые умножается соответствующие входные сигналы х1….хn.

Сумматор выполняет сложение сигналов, поступающих по синоптическим связям от других нейронов и внешних входных сигналов. При этом учитывается некое смещение в

Выход сумматора S поступает на …… преобразователь, реализующий функцию одного аргумента f(s). Эта функция называется функцией активизации или передаточной функцией.

Можно сказать, что нейрон в целом реализует скалярную функцию векторного аргумента. Математическая модель нейрона имеет вид:

n

S= ∑xiwi+ в

i=1

y=f(s)

В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения (например 0.3…), но чаще всего целые. Синоптические связи с положительными весами называют возбуждающими весами, а с отрицательными – тормозящими.

Дата добавления: 2015-06-27