6. Штучні нейронні мережі, склад принцип дії

Штучні нейромережі є електронними моделями нейронної структури мозку, який, головним чином, навчається з досвіду. Природній аналог доводить, що множина проблем, які поки що не підвладні розв'язуванню наявними комп'ютерами, можуть бути ефективно вирішені блоками нейромереж.

Інтелектуальні системи на основі штучних нейронних мереж дозволяють з успіхом вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативної пам'яті і керування. 

Приклади Нейроних мереж:

- безпілотники

- системи безпеки

- на фінансових ринках

- розпізнавання карт (напр. крадених кредитних)

Основна технологія нейроних мереж полягає з моделювання біологічного нейрона у вигляді штучного нейрону.

Головна ідея нейроних мереж полягає у тому, що на вході може бути різноманітний сигнал, на виході – та інформація, що відображає поведінку моделюємої системи. Такий ефект досягається навчанням нейронної мережі, що полягає у визначенні вагових коефіцієнтів зв’язків між нейронами.

Нейронна мережа є сукупністю простих елементів, які функціонально базуються на нейронах. Сигнали між нейронами передаються вздовж аксонів. Сигнали, які підсилюються або послаблюються синапсами, нейрон одержує через дендріти, які підсилюються, або послаблюються синапсами. Штучні нейрони запропоновані Маккалоком і Піттсом у 1943 році.

Ш тучний нейрон

Нейрон – преобразовательный элемент, имеющий некоторое количество входов (синапсов), на которые поступают входные сигналы х_i и один выход (аксон), с которого снимается выходной сигнал у. Каждый синапс имеет вес w_i, на который умножается входной сигнал x_i.

. Внутри нейрона можно выделить блок суммирования, определяющий взвешенную сумму всех входных сигналов и блок функции активации Y = F(U). Таким образом, нейрон функционирует за два такта: 1) суммирование входных сигналов и 2) вычисление Y по функции активации.

Функция активации должна удовлетворять двум условиям: 1) |F(U)| < 1 при любом U, 2) функция должна быть монотонной неубывающей.

Рисунок 1 – Структура нейрона

7. Типи нейроних мереж, класифікація

Класифікація НМ по типу розповсюдження:

- Прямого розповсюдження - все связи направлены строго от входных нейронов к выходным. К таким сетям относятся, например: простейший персептрон (разработанный Розенблаттом) и многослойный персептрон.

- радиально базисні мережі -  вид нейронной сети, имеющий скрытый слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются. Радиально базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию и синаптические веса входного и скрытого слоев равны единицы.

- Рекурентні –  сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя.

(Соревновательні (победітель отримає все),, модель Холфилда, модель адаптивного резонанса).

- самоорганізующаяся (карті кохена) - такой класс сетей, как правило, обучается без учителя и успешно применяется в задачах распознавания. Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов.

Найрозповсюджена й перевірена архітектура – багатошаровий персептрон.

Класитфікація НМ по типу навчання:

- обучение с учителем (коррекция весов производится исходя из сравнения текущего и желаемого выходных векторов);

- обучение с последовательным подкреплением знаний (сети не даются желаемые значения выходов, а ставится оценка «хорошо» или «плохо»);

- обучение без учителя (сеть сама вырабатывает правила обучения путем выделения особенностей из набора входных данных).

Настройка весов

• сети с фиксированными связями – весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи;

• сети с динамическими связями – для них в процессе обучения происходит настройка синаптических весов.

Тип входной информации

• аналоговая – входная информация представлена в форме действительных чисел;

• двоичная – вся входная информация в таких сетях представляется в виде нулей и единиц.