Выбор архитектуры ИНС

Существует ряд задач, целью которых является поиск закономерностей при анализе экспериментальных данных и построение соответствующей математической модели исследуемого объекта или физического явления, а также поиск оптимальных параметров этой модели. При этом требуется, чтобы модель адекватно отражала исследуемый процесс и была достаточно устойчива к наличию помех в исходных данных.

Нейронная сеть — это набор нейронов, определенным образом связанных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться.

Одними из наиболее распространенных являются многослойные сети, в которых нейроны объединены в слои. Слой - это совокупность нейронов c единым входным сигналом. В качестве основного примера рассмотрим сеть, которая достаточно проста по структуре и в то же время широко используется для решения прикладных задач — двухслойный персептрон с p входами и одним выходом.

Нейроны располагаются в первом (скрытом) и во втором (выходном) слое. Входной слой (также его называют нулевым или «вырожденным») только передает входные сигналы ко всем H нейронам первого слоя. Каждый нейрон первого слоя имеет p входов, которым приписаны веса w_i0,w_i1,w_i2,..., w_ip (для нейрона с номером i). Веса w_i0 и v₀ соответствуют смещению b в описании формального нейрона, которое приведено выше. Получив входные сигналы, нейрон суммирует их с соответствующими весами, затем применяет к этой сумме передаточную функцию и пересылает результат на один из входов нейрона второго («выходного») слоя. В свою очередь, нейрон выходного слоя суммирует полученные от первого слоя сигналы с некоторыми весами v_i.

Нейронные сети GRNN предназначены для решения задач обобщенной регрессии, анализа временных рядов и аппроксимации функций. Характерной особенностью этих сетей является очень высокая скорость их обучения.

Архитектура сети GRNN. Она аналогична архитектуре радиальной базисной сети, но отличается структурой второго слоя, в котором используется блок normprod для вычисления нормированного скалярного произведения строки массива весов LW21 вектора входа a в соответствии со следующим соотношением [8].

Нейронные сети PNN (ProbabilisticNeuralNetwork) предназначены для решения вероятностных задач и, в частности, задач классификации.

Архитектура сети PNN базируется на архитектуре радиальной базисной сети, но в качестве второго слоя использует так называемый конкурирующий слой, который подсчитывает вероятность принадлежности входного вектора к тому или иному классу [9].

Дата добавления: 2015-10-13