Лекция 6

Модели искусственных нейронных сетей

План

1. Принципы организации нейроподобных сетей для решения задач искусственного интеллекта.

2. Архитектура ассоциативно-проективных нейронных сетей.

3. Пример применения ассоциативно-проективных нейронных сетей в задачах распознавания образов.

1. Принципы организации нейроподобных сетей

для решения задач искусственного интеллекта

В настоящее время имеется большое разнообразие алгоритмов функционирования и архитектур НС, которые применяются для решения задач распознавания образов, построения ассоциативной памяти, логического вывода и т.д. Чтобы нейронная сеть могла решать одновременно широкий класс задач искусственного интеллекта, ее необходимо строить с учетом следующих принципов.

1. Принцип предорганизации и обучения.

Решить сложные задачи ИИ за счет одного только обучения невозможно. Необходимо, чтобы исходная структура НС была предварительно организована. Для этого необходимо иметь достаточно развитые инструментальные средства, позволяющие формировать структуру нейронной сети до начала ее обучения.

2. Принцип построения архитектуры НС на стандартизованных функциональных блоках.

Для решения задач ИИ необходимо строить нейронные сети, имеющие большое количество нейронов (не менее нескольких тысяч), поэтому базовыми элементами для инструментальных средств предварительной организации НС должны быть крупные функциональные блоки. Внутренняя организация и свойства этих блоков должны быть определены заранее.

3. Принцип иерархической организации НС.

Использование иерархических структур, которые позволяют сроить модели сложных объектов из более простых.

4. Принцип целостности и дробимости информационных элементов.

Работа иерархической структуры требует, чтобы информационный элемент в каждом иерархическом уровне вел себя как единое целое. Но при переходе с уровня на уровень допускал дробление. Причем при переходе с верхнего иерархического уровня на нижний дробление соответствует выделению соответствующих его элементов, а при переходе с нижнего уровня на верхний – включению определенной части этого элемента в более сложный объект (рис. 6.1).

2. Архитектура ассоциативно-проективных нейронных сетей

Основной структурной единицей ассоциативно-проективной нейронной сети (АПНС) является нейронное поле. Нейронное поле (НП) – это подмножество нейронов, выполняющих одну и ту же функцию. У нейронов одного нейронного поля связи между собой и с нейронами других полей формируются по общим правилам для всех нейронов поля. Различают три нейронных поля:

ассоциативное (А),

буферное (B),

разностное (D).

Ассоциативное НП предназначено для формирования нейронных ансамблей в режиме обучения нейронной сети и для ассоциативного восстановления нейронных ансамблей в рабочем режиме.

Буферное НП предназначено для сбора информации, временного хранения и нормирования размеров нейронных ансамблей.

Разностное НП предназначено для определения различия двух возбужденных нейронных ансамблей.

Любое нейронное поле может иметь счетчик (Ct) – специальное устройство, определяющее количество возбужденных нейронов в этом поле.

Нейронным ансамблем (НА) называется подмножество нейронов, связанных взаимными возбуждающими связями. Нейронный ансамбль является основным информационным элементом всех иерархических уровней НС. Нейронный ансамбль формируется из совокупности элементов более низких иерархических уровней.

Пусть необходимо построить описание объекта “дерево”, состоящего из ствола, ветвей и листьев (рис. 6.2). Каждый из признаков, описывающих части объекта (цвет, форма, …) , в ассоциативном поле НС нижнего уровня закодирован в виде подмножества нейронов, из которых сформирован соответствующий НА. Тогда на следующем иерархическом уровне могут быть сформированы нейронные ансамбли, соответствующие листьям, стволу, ветвям. Для того чтобы размеры ансамбля на верхнем уровне не были слишком большими, в ансамбль верхнего уровня попадает только часть нейронов из ансамбля низшего уровня.

Процедуру выбора части нейронов для передачи на верхний уровень называют нормированием нейронного ансамбля.

Существуют три типа связи между нейронами в ассоциативно–проективной НС.

1. Ассоциативные связи.

2. Проективные связи (Р).

Для описания проективных нейронных связей используются выражения:

A_iP_kB_j, P_k=P(x_l,y_m,u),

где x_lA_i, y_mB_j, u – символ, определяющий знак связи

.

Проективные связи могут быть включены или выключены специальным устройством управления проективными связями. Сигналы по связям передаются только в том случае, если они включены.

3. Рецептивные связи (F) (рис.6.4).

Подмножество нейронов поля B_i, связанных с одним нейроном поля B_i+1, называют рецептивным полем этого нейрона. Чтобы задать правила формирования рецептивных связей, необходимо каким–либо конструктивным образом определить рецептивное поле и указать порог срабатывания нейрона, к которому относится рецептивное поле.

Рецептивные нейронные связи описываются выражением:

B_iF_kB_j(), F_k=F({x_lm}y_rs, u),

где  – порог срабатывания нейронов поля B_i, {x_lm} B_i, y_rs B_j, u-символ, определяющий вид связи.

3. Пример применения ассоциативно-проективных нейронных сетей в задачах распознавания образов

Рассмотрим пример построения ассоциативно-проективной нейронной сети для решения задачи распознавания формы объекта, в частности для выделения впадин на изображении.

Пусть изображение фигуры сканируется окружностью определенного радиуса, что соответствует работе рецептивных связей (рис. 6.6).

Архитектура сети для выделения впадин на изображении (рис.6.7) описывается следующим образом:

B₁F₁B₂(Q); B₂(Q)P₁B₁; B₁P₂B₃;

B₁P₃D₁; B₃P₄D₁,

где P₁ = P(x_ij, y_ij, 1); P₂ = P(x_ij, y_ij, 1);

P₃ = P(x_ij, y_ij,1); P₄ = P(x_ij, y_ij, -1).

В структуру включены два счетчика, которые подсчитывают количество единиц в разностном поле D₁ и в буферном поле B₃.

Будем считать, что каждая точка изображения соответствует одному нейрону некоторого буферного поля B₁. По проективным связям, идущим от сетчатки, все нейроны соответствующие распознаваемой фигуре, оказываются возбужденными.

________________________________________________________________________________________________

-5-

Курс «Нейрокомпьютерные системы»

(конспекты лекций)