3.5. Семантические сети

Семантические сети – способ представления знаний, в

котором каждому признаку предметной области присваивается опреде­лен­ное имя, а связи между признаками устанавливаются некоторыми отношениями (Рис.11).

Например, имя: деталь, большая деталь, маленькая деталь; отношение: размер и т.д.

Имена и отношения образуют сеть, где каждое имя – вершина, а каждое отношение – связь между вершинами. От­но­шения могут задаваться различными способами. Напри­мер, логическими (использование логических связок), лингви­сти­ческими (с использованием слов естественного языка).

Семантическая сеть, описывающая предметную область, содержит в виде вершин известные ее признаки и в виде свя­зей все отношения между признаками (Рис.11). При выводе решения информация, полученная из предметной области, сопоставляет­ся с одной из вершин. Поиск начинается из этой вершины по всем направлениям и заканчивается на вершинах,

33

от которых не идут больше связи. Эти вершины и образуют решение.

Б Д П

МД

П И

О

размер размер О

Д

Рис.11. Пример семантической сети

4. Нейронные сети в системах искусственного интеллекта

И скусственный нейрон имеет n входов X (Рис.12). Входные сиг­налы поступают на умножители, каждый из которых имеет инди­­видуально настраиваемый коэффициент перемножения W (синопти­ческие веса). После перемножения сигналы поступа­ют на сумматор. имеет порог задаваемой величиной b. Вы­ход­ное значение сигнала сумматора S: S=W_{i }X_i+b

Сигнал S поступает на функциональный преобразователь f, выходное состояние которого y=f(S). Функция f называется функцией активации нейрона.

Таким образом искусственный нейрон осуществляет взве­шенное функциональное преобразование наборов входных сигналов. Изменением весов b и выбором функции f можно соз­­дать набор соответствий между входными сигналами и вы-

34

ходным значением y.



X₁ W1

f

W2

X₂ S y

.

.

. W_n

X_n

b

Рис.12. Схема искусственного нейрона.

В искусственных нейронах используются следующие

функции активации:

1. П ороговая: y= 1 при S0

0 при S0

2. З наковая или сигнатурная: y= 1при S0

-1 при S0

3. Линейная: y=kS

4. Полулинейная: y= kS при S0

0 при S0

5 . Линейная с насыщением: 1 при S1

y= kS при -1S1

-1 при S-1

6. Логистическая: y= 1

1+e^-S

35

7 . Гиперболический тангенс: e^S-e^-S

y= e^S+e^-S

На основе единичных нейронов строятся нейронные сети, которые по своей архитектуре разделяются на полно­с­вяз­ные, слоистые (многослойные) и слабосвязные (Рис.13). В сетях первого типа все нейроны связаны между собой.

В многослойных сетях нейроны располагаются отдель­ными слоями, и передача сигналов выполняется последо­ва­тель­но от слоя к слою. В многослойных сетях слои нумеруются, обыч­но начинаются с 0. Нулевой слой называется входным, пос­лед­ний – выходным, остальные – скрытыми или решающи-

ми слоями. Посколь­ку сигналы в такой сети распространяются строго в одном направлении, то они называются сетями прямого распростра­не­ния.

Слабосвязные сети характеризуются тем, что в них устанавливаются отдельные связи между нейронами.

1

0 2

x₁ y₁ x₁ y₁

x₂ y₂ x₂ y₂

Рис. 13. Основные структуры нейронных сетей

а) полносвязные сети; б) многослойные сети; в) слабосвязные сети

Нейронные сети классифицируются по некоторым при­-

знакам. Если в сетях используются нейроны с одинако­выми функциями активации, то сети называются гомогенными. В проти­вном случае гетерогенные.

36

Сети, которые обрабатывают аналоговые сигналы, называются аналоговыми, сети для обработки цифровой информации – бинарными.

Нейроны в сети возбуждаются в определенные времен­ные такты. Если каждый нейрон имеет собственное время воз­буждения, то сеть называется асинхронной. Если нейроны в се­ти тактируются по группам, то сеть называется синхронной. В частности, в многослойных сетях тактирование выполняется по слоям.

При выборе архитектуры сети используются некоторые

эмпирические сведения, которые позволяют оценить пример­ное количество связей и количество нейронов. Для многосло­йных сетей применяются следующие оценки:

m∙N/(1+log₂N) L (mN+1) ∙ (n+m+1)+1

где L – количество связей в сети;

n – количество входов;

N – количество обучающих образцов;

m – количество выходов.

При выбранном L и выбранном количестве слоев можно опре­де­лить количество нейронов. В частности, для сети пря­мого ра­спространения с двумя скрытыми слоями, количество нейро­нов в этих слоях определится как:

K= L/n+m