- •Содержание
- •Введение
- •1. Задание на курсовую работу
- •1.1. Варианты тем рефератов
- •1.2. Варианты расчетного задания
- •2. Последовательность выполнения работы
- •3. Методика выполнения курсовой работы
- •4. Требования к оформлению курсовой работы
- •5. Пример выполнения курсовой работы Интеллектуальная система с использованием нейронных сетей
- •5.1. Введение
- •5.2. Биологический нейрон
- •5.3. Искусственные нейронные сети
- •5.4. Линейные сети
- •5.5. Применение линейных сетей
- •5.6. Интеллектуальная система на основе нейронной сети
- •5.7. Заключение
- •5.8. Список литературы.
- •5.9. Приложение
- •Список литературы
5.3. Искусственные нейронные сети
Схема представления искусственного (формального) нейрона приведена на рис. 2.
Рис. 2. Искусственный нейрон
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синоптической силе, и все произведения суммируются, определяя уровень активации возбуждения нейрона.
Сумматор выполняет сложение сигналов, поступающих по си-наптическим связям от других нейронов, и внешних входных сигна-лов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента – выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента. Математическая модель нейрона:
где – вес синапса (weight), – входные сигналы поступающие по синаптическим связям (input), – количество синаптических связей,– значение смещения (bias),– результат суммирования (sum),– активационная функция,– выходной сигнал нейрона (output).
Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами – тормозящими.
Описанный вычислительный элемент можно считать упрощенной математической моделью биологических нейронов. Чтобы подчеркнуть различие нейронов биологических и искусственных, вторые иногда называют формальными нейронами.
В 1960 г. Бенджамином Уидроу (США) была предложена модель, названная им адаптивным линейным нейроном – Адалине (ADAptive Linear NEuron).
Рис. 3. Модель адаптивного порогового элемента
Адалине моделировал функции обычного нейрона: адаптивные веса соответствовали синапсам, компоненты входного вектора – входам дендритов, а логический выход – выходам аксонов. Адалине был предназначен для решения задач распознавания образов и мог обучаться в процессе решения. К его преимуществам следует отнести наглядность и простоту реализации.
Алгоритм обучения Адалине сводится к адаптации весов нейрона и заключается в следующем. Допустим, что целью обучения является уменьшение квадрата ошибки
(1)
где – непрерывный выход нейрона (называемый его суммарным возбуждением);– желаемая реакция нейрона в ответ на заданный вектор входов. Тогда для коррекции весовых коэффициентовможно воспользоваться градиентным алгоритмом:
(2)
Здесь и– соответственно значения коэффициентана-м и-м шаге;– частная производная целевой функцииI по переменной , вычисленная на-м шаге:– положительная константа. Учитывая, что:
можно записать окончательное выражение
(3)
где – «скорость обучения» нейрона.
Алгоритм обучения (2.10), впервые предложенный Б. Уидроу и М. Хоффом в 1960 году, обычно называют дельта-правилом.
Обучение Адалине осуществляется, таким образом, с помощью следующего алгоритма.
Шаг 1. Рандомизируются все веса нейрона – в малые величины.
Шаг 2. На вход нейрона подается входной обучающий вектор и вычисляется в соответствии с ним сигнал:
.
Шаг 3. Вычисляется значение бинарного сигнала :
Шаг 4. Вычисляется ошибка путем вычитания сигналаиз требуемого значения выхода
.
Шаг 5. Коррекция весовых коэффициентов с учетом скорости обученияи величины ошибки:
.
Шаг 6. Повторяются шаги со второго по пятый до тех пор, пока ошибка не станет достаточно малой.
Алгоритм процесса обучения Адалине схож с алгоритмом обучения персептрона Розенблатта, но и тот и другой не реализуют линейно неразделимые логические функции, в частности, функцию «Исключающего ИЛИ».