Нейронные сети

Искусственные нейронные сети - являются первой попыткой моделирования интеллектуальных свойств биологических систем. До этого в науке и технике моделировались и использовались, в основном, механические свойства естественных систем. Такие исследования выполнялись, например, в бионике и помогли решить много сложных проблем (флаттер и т.п.).

Парадигма искусственных нейронных сетей основана на модели искусственного нейрона, в которой предпринята попытка моделирования свойств естественного нейрона – биологической нервной клетки. Биологический (естественный) нейрон состоит из тела (сомы) и отростков нервных волокон 2-х типов: дендритов, по которым принимаются входные импульсы и единственного аксона, благодаря которому нейрон может передавать импульс другим нейронам. Нейрон получает сигналы (импульсы) от аксонов других нейронов через дендриты (приемники) и передает сигналы, генерированные телом клетки по аксону, который в конце разветвляется на волокна, что показано на рис.1. На окончании волокон находятся специальные образования – синапсы, которые влияют на величину передаваемого импульса.

Рис.1. Естественный нейрон

Искусственным или формальным нейроном называется элементарный процессор, используемый в узлах нейронной сети. Математическую модель искусственного нейрона можно представить выражением

где у - выходной сигнал нейрона;

f - функция выходного блока нейрона; i

w - синаптический коэффициент - вес i-го входа;

x - i-й входной сигнал;

w - начальное возбуждение или смещение нейрона,

i, - номер входа нейрона и n - число входов.

Приведенному выражению может быть поставлена в соответствие структурная схема искусственного нейрона, представленная на рис.2.

Нейросети представляют собой совокупность искусственных нейронов, определенным образом соединенных между собой и с внешней средой с помощью связей, определяемых весовыми коэффициентами w_ij. Множество параллельно работающих процессоров обеспечивают высокое быстродействие НС. В целом вид выполняемого сетью преобразования обусловлен не только характеристиками составляющих ее нейронов, но и особенностями архитектуры сети, а именно топологией межнейронных связей, способами обучения этой сети, наличием или отсутствием конкуренции между нейронами, направлением и способом управления и синхронизации, способом передачи информации между нейронами. С точки зрения топологии можно выделить следующие основные типы искусственных нейронных сетей.

1) Сети с прямыми связями. Простейшими из них являются однослойные НС (однослойный перцептрон - рис.3.а). На рис.4 для простоты каждый искусственный нейрон представлен кружком. Более сложными и мощными по своим функциональным возможностям являются многослойные НС прямого распространения, наиболее широко в настоящее время используемые на практике. Двухслойный вариант сети показан на рис.4 б. В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях.

2)Сети с обратными связями, в которых информация с последующих слоев передается на предыдущий (рис.4 c), d)). Введение обратных связей в НС, с одной стороны, расширяет ее функциональные возможности, с другой стороны, может создать дополнительные проблемы (например, с устойчивостью ее функционирования).

Обратными связями могут охватываться как отдельные слои, так и несколько слоев и даже вся сеть. Наиболее часто используются сети Хопфилда, представленные на рис.4 с).

3)Регулярные (конкурирующие) сети представлены на рис.4.e), f). Регулярность сети состоит в том, что каждый нейрон связан определенным образом со своими соседями. Как правило, нейроны располагаются в узлах некоторой регулярной решетки (сетки), и кроме внешних входных сигналов на каждый нейрон поступают выходные сигналы в некотором смысле соседних нейронов. Понятие соседства зависит от типа используемой решетки.

Искусственные нейронные сети нашли очень широкое примененние в решении широкого класса научно-технических задач: распознавание речи и изображений; data mining, прогнозирование, классификация, кластеризация данных, управленрие роботов, сжатие данных и т.д.

Дата добавления: 2014-01-05