Modell mesterséges neuron - studopediya
Adaptive Information Systems
Annak szükségességét, hogy az adaptív információs rendszerek adódik azokban az esetekben, ahol a problémás területek az általuk támogatott folyamatosan fejlődik. Ebben a tekintetben az adaptív rendszernek meg kell felelnie bizonyos különleges követelmények, amelyek a következők:
• megfelelően tükrözik a tudás tárgykörben adott időpontban;
• legyen alkalmas a könnyű és gyors rekonstrukciós probléma, ha változik a közeg.
Adaptive tulajdonságait információs rendszerek által nyújtott intellektualizálás az építészet. A mag ilyen rendszerek folyamatosan fejlődő modell a probléma domain, tartani egy különleges tudásbázis - a tárolóból. központi rendszer irányítja a folyamatokat a termelés, vagy konfigurálja újra a szoftvert.
Egy tipikus tervezési végezzük alkalmazkodás a jellemzőit tipikus fejlődés problémás terület. E megközelítés alkalmazható eszközök komponens (szerelvény) tervezési információs rendszerek (R / 3, BAAN IV, Prodis et al.).
A fő különbség a megközelítés az, hogy ha a CASE-technológiák amikor módosítja a problémás területet végezzük generációs szoftverek általában, és a technológia használata szerelés - konfigurálása modulok és csak ritka esetekben - a feldolgozás.
Téma 2. Mesterséges neurális hálózatok. Építészet és osztályozása neurális hálózatok.
Bemutatása részletes agy készülék meg csak mintegy száz évvel ezelőtt. 1888-ban a spanyol orvos Ramon Kaya kísérletileg kimutatták, hogy az agyszövet áll számos egymással összekötött hasonló egységek - neuronokat. Újabb vizsgálatok alkalmazásával elektronmikroszkóp feltárta, hogy az összes neuronok, függetlenül annak típusától, hasonló szervezeti struktúra (ábra. 2.1). Természetes idegsejt (neuron) tartalmaz egy testet (soma), amely a mag és a folyamatok - dendritek, amelyen bemeneti jeleket a neuron. Az egyik folyamatok, elágazások végén, arra szolgál, hogy a kimeneti jeleket a neuron más idegsejteket. Ezt nevezik a axon. Csatlakozás egy axon dendrit másik neuron hívják szinapszis. A neuron izgatott, és továbbítja a jeleket az axon, ha a szám jött a dendritek a gerjesztő jel nagyobb, mint a több fékezést.
2.1 ábra - A szerkezet egy biológiai neuron.
1943-ban W. McCulloch és Pitts W. kínált információ feldolgozó rendszer formájában hálózatának egyszerű számológépek, alapján létrehozott biológiai neuron. Mesterséges neurális hálózat (ANN) gyűjteménye egyszerű számítási elemek (processzorok) - mesterséges neuronok csatlakozik valamilyen módon úgy, hogy a kölcsönhatás közöttük. Mesterséges neuronok jellemzi a jogállamiság egyesíti a bemeneti jelek és az átviteli függvényt, amely lehetővé teszi, hogy kiszámítja a kimeneti jel.
2.2 ábra - Kibernetikus modell egy neuron.
A tájékoztatás az input a neuron, összeadva a súlyozott jel együtthatók:
ahol W0 - eltolódás (küszöbeltolódás) neuron.
Értékétől függően a súly együttható wi. bemeneti jel xi vagy erősített vagy elnyomott. A súlyozott összege a bemeneti jelek is nevezik potenciális vagy kombinált bemeneti neuron.
A műszak általában értelmezni kommunikációs származó eleme, a tevékenység, amely mindig 1-gyel egyenlő Általában a kényelem, a bemeneti vektort habosodik ezt a jelet az x = (1, x0 xn). És W0 küszöbérték alá vonni az összegzés jele:
Az átviteli funkció vagy aktivációs függvény neuron a szabály, amely szerint a súlyozott összege a vett jel a P átalakítjuk egy kimeneti jelet a neuron Y, amely továbbításra kerül más neuronok a hálózatban, m. E. Y = f (P). 2.3 ábra mutatja a grafikonok a leggyakoribb aktivációs funkcióival neuronok.
A küszöb funkciója ugrik-CIÓ információt csak akkor, ha az algebrai összege a bemeneti jel meghalad egy bizonyos állandó értéket P * for-példa:
Küszöb funkciója nem biztosít kellő rugalmasságot a képzés ANN. Ha a számított érték elér egy előre meghatározott kapacitási küszöbértéket, a kimeneti jel nem keletkezik, és a neuron „nincs aktiválva.” Ez csökkenéséhez vezet az intenzitás-ness neuron kimeneti jelet, és ennek eredményeként, generálja a kis értékű vaniyu súlyozott bemeneti kapacitása a következő réteg a neuronok.
A lineáris függvény könnyű kiszámítani, és differenciálható etsya hogy bizonyos esetekben csökkentheti a hiba kimeneti jelet a hálózaton, mivel az átviteli függvény a hálózat is etsya lineáris. Azonban ez nem általános, és nem nyújt megoldást sok probléma.
Egy bizonyos kompromisszumot a lineáris és stupencha-edik függvény egy szigmoid aktivációs függvény Y = 1 / (1 + exp (-kP)), amely szimulálja a transzfer, amelyet az jellemez-szerezzen a biológiai neuron (ábra. 3.3).
2.3 ábra - funkciói átadása mesterséges neuronok:
a) lineáris; b) sebesség; c) a szigmoid.
A k tényező határozza meg a lejtőn a nemlineáris függvény: minél magasabb a K, annál közelebb van a szigmoid függvény a küszöb; kevesebb, mint k, így közelebb k lineáris. típusú transzfer funkció ki van választva, hogy az adott hátoldalon chi megoldotta a használata neurális hálózatok. Például, tájház közelítés és osztályozás előnyben részesítik a szigmoid görbét.
Építészet és osztályozása ANN
Minden neuron kapcsolódik sor a bejövő kapcsolatokat, amelyektől ez az elem jeleket vesz más hálózati elemek, és egy sor kimenő linkeket, amely szerint az elem jeleket továbbítják a többi neuron. Az egyes neuronok vannak kialakítva, hogy jeleket a környezet (input elemek), és néhány - a kimenet a külső környezet számítási eredmények (output elemek).
1958-ban Frank Rosenblatt javasolt a következő modell a neurális hálózat - Perceptron. Rosenblatt féle Perceptron (ld. 2.4) áll neuronok k, d bemenetei, k kimenetek, és csak egy réteg konfigurálható súlyok wij.
2.4 ábra - Perceptron Rosenblatt.
Input neuronok általában úgy tervezik, hogy osztja a bemeneti jelek között más neuronok a hálózaton, így szükség, hogy kimenő jele az elem ugyanaz volt, mint a bemenet. Eltérően más neuronok a hálózat, a bemenet csak egy bejárat. Más szóval, minden egyes bemeneti elem kaphat egy jelet a megfelelő érzékelő neki. Mivel az input elemek kizárólag terjeszteni a kapott jeleket a külső környezet, sok kutató nem tekintik része a bemeneti elemek a neurális hálózat.
Perceptron képes megoldani lineáris problémákat. A számos hálózati bemenet határozza meg a dimenzió a tér, amely a kiválasztott bemenetek: két megjelölés tér kétdimenziós, 3-3-dimenziós, és jeleit d - d-dimenziós. Ha a közvetlen vagy hipers'ıkot a tér bemeneti adatok oszthatjuk összes minta saját kategóriájában, a probléma lineáris, egyébként - a nemlineáris. 2.5 ábra mutatja több pont a síkon, és az a) esetben, a lineáris határ, abban az esetben, - b) a nem-lineáris.
2.5 ábra - geometriai lineáris reprezentáció (a) és
nem-lineáris (b) feladatokat.
Hogy oldja meg a problémákat, nemlineáris javasolt modell a többrétegű perceptrons (MLP), amely az épület egy törött közötti határ felismerhető Obra-Zami. A többrétegű hálózatokban, minden neuron küldhet egy kimeneti jel csak a következő réteg, és csak fogadni bemenetet az előző réteg, amint azt a 2.6 ábra. A rétegeket neuronok között található a bemeneti és kimeneti nevezzük rejtett, mert nem adatok fogadására és küldésére közvetlenül a külső környezet. Egy ilyen hálózat lehetővé teszi, hogy kiválassza a globális tulajdonságok az adatok jelenléte miatt további szinaptikus kapcsolatokat, és fokozza a kölcsönhatás a neuronokat.
2.6 ábra - reakcióvázlat többrétegű perceptron.
Számának meghatározása rejtett rétegek és az idegsejtek száma az egyes rétegekben egy adott feladat az informális problémamegoldó, amellyel lehetőség van, hogy egy ökölszabály: az idegsejtek száma a következő réteg kétszer kevesebb, mint az előző
Jelenleg számos módja van, hogy hozzanak neurális hálózati struktúrák mellett a többrétegű perceptron. Mindenféle neurális hálózatok osztható a hálózat közvetlen elosztás és a hálózat visszajelzést. Ahogy a neve is mutatja, a hálózatok az első típusú jelek neuron neuron terjednek egy előre meghatározott irányban egyértelműen - a hálózati bemenet kimenetein. A hálózatok és a második típusú neuron kimeneti értékek bármilyen lehet vinni a saját bemenet. Ez lehetővé teszi, hogy a neurális hálózat modellezésére bonyolultabb folyamatok, mint az idő, de ez teszi a kimeneti egy ilyen hálózat instabil, attól függően, hogy a hálózat állapota az előző ciklusban. 2.7 ábra. A besorolás a leggyakoribb típusú neurális hálózatok.
2.7 ábra - besorolása közös típusú ANN.
Téma 3. Hálózat típusa perceptron
A probléma osztályozására képeket. felügyelt tanulás
F. Rosenblatt javasolt használata perceptron besorolás feladatokat. Sok alkalmazás lehet értelmezni, mint egy osztályozási probléma. Például, optikai karakter felismerés. A beolvasott karakter van társítva saját kategóriájában. Sok lehetőség van a kép a „H” betű, még egy adott betűtípus - karakter lehet, például homályos - de ezeket a képeket kell tartoznia egy osztály „H”.
Ha ismert, milyen osztályban az egyes esettanulmányok lehet használni egy tanárképző stratégia. A cél a hálózat a tanulás, hogyan kell összehasonlítani bemutató hálózat cél minta egy kontroll mintában, amely a kívánt osztályban. Más szóval, az ismeretek a környezet és a neurális hálózat képviselteti formájában pár „input-output”. Például a hálózat képes egy kép a „H” betű és a vonat a hálózat, hogy míg a megfelelő „H” kimeneti elem is be van kapcsolva, és a hajtott elemeket megfelelő egyéb levelek - hatástalanított. Ebben az esetben, a bemeneti minta lehet egy sor jellemző értékeket képpontok szürkeárnyalatos, és a cél kimeneti minta - vektor koordináta értékeket minden kell lennie, amely egyenlő 0, kivéve a koordinátákat megfelelő osztály „H”, amelynek értéke egyenlő kell legyen.
3.1 ábra mutatja tömbvázlat yuschaya, ebben a képzési formában. Tegyük fel, hogy a tanár és a képzett hálózati szolgáltatott képzés vektort a környezetet. Alapján beépített ismeretében a tanár is létrehozhat, és adja át képzett ronnoy kívánt választ hálózat megfelelő az adott bemeneti vektor. Hálózati paraméterek vannak beállítva kor tórusz képzés és a hibajel. A hibajel - a különbség a kívánt jel és az aktuális válasz a neurális hálózat. Miután elvégezte a tanárképzés, letilthatja és lehetővé teszi a neurális hálózat működjön együtt a környezet függetlenül.
3.1 ábra - A koncepció az ANN képzés a tanár.
Perceptron tanulási algoritmus a következő lépéseket tartalmazza:
· A rendszer megjeleníti a mester képet.
· Ha a felismerés eredménye egybeesik a készlet, a súlyok nem változik meg.
· Ha az INS nem megfelelően ismeri fel az eredményt, a súlyozást növekmény felfelé felismerési minőséget.