Читайте также: |
|
Нейронные сети и их применение в ИС. Биологический прототип и искусственный нейрон. Математические модели нейронов. Однослойные искусственные нейронные сети. Многослойные искусственные нейронные сети
Основные задачи НС:
1) Аппроксимация функций (задача Data Mining)
2) Прогнозирование
3) Управление (Нейроуправление)
(применение в ряде задач ограничено)
4) Классификация образов (распознавание). Образ - набор входных данных
5) Кластеризация (1 элемент принадлежит нескольким кластерам)
6) Оптимизация
7) Память, адресуемая по содержанию
Свойства искусственных ИНС
1) Массовый параллелизм - выполнение || - х операций
2) Распределённое представление информации и вычисление
3) Способность к обучению
4) Адаптивность
5) Низкое энергопотребление при аппаратной реализации
Область их применения:
1) Обучение
(Значение очень трудно вкладывать в ЭС. Нейронные сети помогают в этом)
2) Обобщение.
(НС нечувствительны к небольшим изменениям входных сигналов)
3) Абстрагирование
4) (НС обладает способностью выделять новый образ(новые данные) при обучении на искажённых примерах.
Классификация НС:
1) По количеству слоёв
· Однослойные
· Многослойные
2) По виду обратной связи
· Прямое действие
· Реккурентное действие
3) По виду активационной функции
· Пороговая функция
· Сигмоидальная
Биологический прототип и искусственный нейрон. Математические модели нейронов.
100.000.000.000+нейроноввтелечеловека
Структурные элементы нейрона:
· Аскон
· Дендриты
· Синапс
Электрическия и химическая передача сигналов,нейромедиатры
X-множество входных сигналов}
W–веса дендритов
NET–результат суммирования входных сигналов
F–активационная функция
OUT=F(NET)выход нейрона
Пороговая функция
· OUT=1,если NET>T,
· OUT=0, в остальных случаях
Сигмоидальная функция
Однослойные искусственные нейронные сети
Особенности
· НС прямого действия
· Входы и выходы–бинарные значения{0,1}}
· Активационнаяфункция–пороговая
· Все входные сигналы объединяются в один слой и поступают на все нейроны
· m≠n
Многослойные искусственные нейронные сети
Многослойные сети могут образовываться каскадами слоев. Выход одного слоя является входом для последующего слоя. Подобная сеть показана на рис. 1.6 и снова изображена со всеми соединениями.
Нелинейная активационная функция
Многослойные сети не могут привести к увеличению вычислительной мощности по сравнению с однослойной сетью лишь в том случае, если активационная функция между слоями будет нелинейной. Вычисление выхода слоя заключается в умножении входного вектора на первую весовую матрицу с последующим умножением (если отсутствует нелинейная активационная функция) результирующего вектора на вторую весовую матрицу.
NET=(x*w)*k=x*(w*k)=x*w’
Это показывает, что двухслойная линейная сеть эквивалентна одному слою с весовой матрицей, равной произведению двух весовых матриц. Следовательно, любая многослойная линейная сеть может быть заменена эквивалентной однослойной сетью. В гл. 2 показано, что однослойные сети весьма ограниченны по своим вычислительным возможностям. Таким образом, для расширения возможностей сетей по сравнению с однослойной сетью необходима нелинейная активационная функция.
Терминология, обозначения и схематическое изображение искусственных нейронных сетей
Здесь хз что писать
Дата добавления: 2015-11-30; просмотров: 59 | Нарушение авторских прав