1.Одношарові штучні нейронні мережі.

Рис. 1.5. Одношарова нейронна мережа

Хоч один нейрон і здатний виконувати найпростіші процедури розпізнавання, сила нейронних обчислень виникає від з'єднань нейронів в мережах. Найпростіша мережа складається з групи нейронів, що створюють прошарок, як показано в правій частині рис. 1.5. Зазначимо, що вершини-кола зліва служать лише для розподілу вхідних сигналів. Вони не виконують ніяких обчислень, і тому не будуть вважатися прошарком. З цієї причини вони позначені колами, щоб відрізняти їх від обчислювальних нейронів, позначених квадратами. Кожний елемент з множини входів Х окремою вагою сполучений з кожним штучним нейроном. А кожний нейрон видає зважену суму входів в мережу. У штучних і біологічних мережах багато які з'єднання можуть бути відсутнім, всі з'єднання показані з метою спільності. Можуть мати місце також з'єднання між виходами і входами елементів в шарі.

Зручно вважати ваги елементами матриці W. Матриця має m рядків і n стовпців, де m - число входів, а n - число нейронів. Наприклад, w23 - це вага, що зв'язує третій вхід з другим нейроном. Таким чином, обчислення вихідного вектора N, компонентами якого є виходи OUT нейронів, зводиться до матричного множення N = XW, де N і Х - вектори-рядки.

2.Лінгвістичні змінні та функції належності нечіткої логіки.

Лингвистическая переменная отличается от числовой переменной тем, что ее значениями являются не числа, а слова или предложения в естественном или формальном языке.

Лингвистическая переменная характеризуется набором свойств (X, T(X), U, G,M) , в котором:

X - название переменной;

T(X) обозначает терм-множество переменной X , т.е. множество названий лингвистических значений переменной , причем каждое из таких значений является нечеткой переменной со значениями из универсального множества с базовой переменной ;

G - синтаксическое правило, порождающее названия значений переменной ;

M- семантическое правило, которое ставит в соответствие каждой нечеткой переменной X ее смысл M(x) , т.е. нечеткое подмножество универсального множества U.

В теории нечетких множеств характеристическая функция называется функцией принадлежности, а ее значение - степенью принадлежности элемента x нечеткому множеству A.

Каждому значению лингвистической переменной соответствует определенное нечеткое множество со своей функцией принадлежности.

Все нечеткие объекты можно классифицировать по виду области значений функции принадлежности. Помимо интервала [0,1], функция принадлежности может принимать свои значения в интервале [-1,1], на числовой прямой R, а также в различных множествах, наделенных некой структурой. Функции принадлежности могут быть с плоскими вершинами, кусочно-линейными и треугольной формы, или наклонными с горизонтальными уступами вида

3.Багатошарові штучні нейронні мережі.

Більш великі і складні нейронні мережі мають, як правило, і великі обчислювальні можливості. Хоч створені мережі всіх конфігурацій, які тільки можна собі представити, пошарова організація нейронів копіює прошаркові структури певних відділів мозку. Виявилося, що такі багатошарові мережі володіють більшими можливостями, ніж одношарові і в останні роки були розроблені алгоритми для їх навчання.

Рис. 1.6. Двошарова нейронна мережа

Багатошарові мережі можуть утворюватися каскадами прошарків. Вихід одного прошарку є входом для подальшого прошарку. Подібна мережа показана на рис. 1.6 .