12 Слайд

Стандартный искусственный нейрон составляется из входного сумматора, нелинейного преобразователя и точки ветвления на выходе (рис. 4.5). Линейная связь (синапс) отдельно от сумматоров не встречается, однако для некоторых рассуждений бывает удобно выделить этот элемент (рис. 4.6). Он умножает входной сигнал x на «вес синапса» . Иногда бывает полезно «присоединить» связи не к входному сумматору, а к точке ветвления. В результате получаем элемент, двойственный адаптивному сумматору и называемый «выходная звезда». Его выходные связи производят умножение сигнала на свои веса.

13 Слайд

Перейдем теперь к вопросу составления нейросетей из базовых элементов. Вообще говоря, эти элементы можно соединять произвольным образом, лишь бы входы получали какие-нибудь сигналы. Но такой произвол порождает трудности обучения сети, поэтому на практике используют несколько стандартных архитектур, из которых строят нейросети. Рассмотрим слоистые сети. В слоистых сетях нейроны расположены в нескольких слоях (рис. 4.7).

Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и так до k-го слоя, который выдает выходные сигналы для интерпретатора и пользователя. Если не оговорено противное, то каждый выходной сигнал i-го слоя подается на вход всех нейронов (i+1)-го. Число нейронов в каждом слое может быть любым и не связывается с количеством нейронов в других слоях. Стандартный способ подачи входных сигналов: все нейроны первого слоя получают каждый входной сигнал. Особое распространение получили трехслойные сети, в которых каждый слой имеет свое наименование: первый – входной, второй – скрытый, третий – выходной.

14 Слайд

Мы рассмотрели основные идеи нейросетевых методов представления, которые можно с успехом использовать при системном проектировании ИБЗ.

Можно выделить три неоспоримых преимущества нейросетевого подхода к представлению знаний в процессе системного проектированию ИБЗ. Во-первых, нейронные сети обладают способностью быстрой обработки информации, что дает возможность расширить набор аналитических операций, выполняемых в реальном режиме времени. Вовторых, нейронные сети способны к обучению, а уже будучи обученными, они могут эффективно обобщать полученную информацию и демонстрировать хорошие результаты на данных, не использовавшихся в процессе обучения. Это качество позволяет использовать нейросети для имитации функционирования объектов, для которых не удается установить их состав, структуру и принципы работы, но частично известны реакции «вход-выход». В-третьих, однородность, проявляющаяся в составе и конструкции элементов нейросети, обеспечивает возможность построения компонентов ИБЗ на однотипных аппаратных или программных средствах, что существенно ускоряет и удешевляет процесс их проектирования.