• 27. Структура искусственного нейрона. Виды структур нс. Параметры, характеризующие структуру нс.

Слой НС – совокупность множества нейронов, обладающих одинаковыми характеристиками.

Искусственный нейрон – упрощенная во много раз модель биологического нейрона.

Вырожденный нейрон — это нейрон, который не выполняет вычислений и не имеет функции активации, а просто передает сигнал дальше, таковыми являются входные и выходные нейроны сети. Нейроны входного слоя являются вырожденными.

Невырожденный нейрон включает сумматор, который суммирует взвешенные входы, и функцию активации, которая преобразует этот суммарный сигнал в выходной. Нейроны скрытого и выходного слоя являются вырожденными.

И зображено 2 слоя одного искусственного нейрона:

1. Входной слой нейрона состоит из входных воздействий (хотя бы из 1), число нейронов в выходном слое = кол-ву одновременно подаваемых входных сигналов (значения независимые (могут быть одинаковыми), которые поступают либо из входных нейронов сети, либо с выхода других нейронов.

X1,X2, … Xn - входные воздействия на нейрон. Поступают извне нейронной сети или с выхода других нейронов.

2. 2й слой состоит из:

1. W1,W2, … Wn - весовые коэффициенты связей (число связей = числу весовых коэф) определяют значимость каждого входного сигнала для принятия окончательного решения модели. Значение весовых коэффициентов изменяется в процессе обучения.

2. Сумматора, который объединяет входные воздействия с учетом весовых коэффициентов:

3. Функции активации (А), которая переводит нейрон из одного состояния в другое (пассивное > активное)

Ф ункция активации — это математическая функция, которая применяется к выходу нейрона после того, как были учтены все входные данные и произведено их взвешенное суммирование. Она определяет выход нейрона и вводит в процесс нелинейность. Функция активаци задается при проектировании сети в самом нейроне и остается неизменной.

Выбор функции активации зависит от задачи. Для классификации часто используется сигмоида, для регрессии — линейная активация.

Классификация по виду структур: см вопрос 23!

Наличие скрытых слоев повышает возможности моделирования. Количество нейронов в скрытых слоях выбирается так, чтобы число связей было максимально. Чем больше число связей и слоев, тем НС умнее (лучше моделирует). Чем больше число связей, тем тяжелее она обучается.

Параметры, характеризующие структуру нейронной сети:

Количество слоев (входной, выходной + скрытые).

Количество нейронов каждого слоя.

Количество связей в НС.

• 28. Какие параметры структуры нс в многослойном персептроне и как определяются по виду исходных данных для обучения? На основе чего происходит уточнение остальных параметров структуры? Пример.

Обучение НС - процесс, в котором параметры НС настраиваются посредством моделирования среды, в которую эта сеть встроена.

Основные параметры:

• Число нейронов во входном слое определяется по количеству одновременно подаваемых входных данных, т.е числу аргументов в задании.

• Число нейронов в выходном слое = количеству одновременно получаемых выходных значений (можем получить несколько результатов), или числу моделируемых функций.

• Число скрытых слоев (от 1 (по умолчанию, иначе не сможем какой-то результат нормальный получить) до 3х (самый оптимальный)) и количество нейронов в скрытых слоях, исходя из трудоемкости задачи.

• Зная число слоев и количество нейронов в каждом слое, можем рассчитать число связей в НС. Число связей = число нейронов во входном*в скрытом+ в выходном*в скрытом.

• Число обучающих пар в исходных данных должно быть больше в несколько раз, чем число связей.

Например: вх. слой – 2 нейронов, 1 скрытый слой – 10 нейронов, вых. слой – 1 нейрон – итого 30 нейронов, обучающих пар берем 90.

Уточнение происходит на основе результата тестирования.

Однозначно по виду исходных данных можем определить число входных и число выходных нейронов. Косвенно – число связей. Остальные параметры структуры – число скрытых слоев, число нейронов в скрытых слоях – эмпирически.