Самолетни двигатели Административно право Административно право на Беларус Алгебра Архитектура Безопасност на живота Въведение в професията „психолог“ Въведение в икономиката на културата Висша математика Геология Геоморфология Хидрология и хидрометрия Хидравлични системи и хидромашини История на Украйна Културология Културология Логика Маркетинг Машиностроене Медицинска психология Метали и заваръчни инструменти Метали и метали икономика Описателни геометрия Основи на икономически т Oria професионална безопасност Пожарна тактика процеси и структури на мисълта, Професионална психология Психология Психология на управлението на съвременната фундаментални и приложни изследвания в апаратура Социална психология социални и философски проблеми Социология Статистика теоретичните основи на компютъра автоматично управление теория теорията на вероятностите транспорт Закон Turoperator Наказателно право Наказателно-процесуалния управление модерно производство Физика физични явления Философски хладилни агрегати и екология Икономика История на икономиката Основи на икономиката Икономика на предприятията Икономическа история Икономическа теория Икономически анализ Развитие на икономиката на ЕС Спешни ситуации VKontakte Odnoklassniki My World Facebook LiveJournal Instagram
border=0

Теоретичната основа за изграждането и функционирането на изкуствени невроноподобни устройства

<== предишна статия | следваща статия ==>

Математичният неврон на McCulloch - Pitts, формалният неврон е възелът на изкуствената невронна мрежа, който е опростен модел на естествения неврон.

Математическият, изкуствен неврон обикновено се представя като някаква нелинейна функция на един аргумент - линейна комбинация от всички входни сигнали. Тази функция се нарича функция за активиране или функция за задействане, функция за прехвърляне . Резултатът се изпраща до един изход. Такива изкуствени неврони се комбинират в мрежи - те свързват изходите на някои неврони с входовете на други.

Фиг. 12.5 Изкуствена верига на невроните

1 - Неврони в съседство, изходните сигнали на които се въвеждат в този неврон. 2 - Суматор на входния сигнал 3 - функция за прехвърляне на калкулатор. 4 - Неврони, на входовете на които се подава изходният сигнал на този неврон. 5 - тежести на входния сигнал.

Математически модел на изкуствен неврон е предложен от W. McCulloch и W. Pitts, заедно с модел на мрежа, състояща се от тези неврони. Авторите показаха, че мрежата върху такива елементи може да извършва цифрови и логически операции. На практика мрежата е реализирана от Франк Розенблат през 1958 г. като компютърна програма, а по-късно като електронно устройство , персептрон ( възприятието се превежда като чувствителност, така че персептрон е сензорна система).

Първоначално един неврон може да оперира само с логически нулеви и логически единици сигнали, тъй като е построен на базата на биологичен прототип, който може да съществува само в две състояния - възбудени или невъзбудени.

Развитието на невронните мрежи показа, че за разширяване на техния обхват е необходимо невронът да може да работи не само с бинарни, но и с непрекъснати (аналогови) сигнали . Такова обобщение на невроновия модел е направено от Уидров и Хоф, които предлагат да се използва логистична крива като функция за задействане на неврон .

Връзките, чрез които изходните сигнали на някои неврони отиват до входовете на други, често се наричат ​​синапси по аналогия с връзките между биологичните неврони.

Всяка връзка се характеризира с теглото си. Връзките с положително тегло се наричат ​​стимулиращи, а с отрицателни - инхибиторни.

Неврон има един изход, често наричан аксон, по аналогия с биологичен прототип. От един изход на неврон, сигналът може да премине към произволен брой входове на други неврони.

Математически, неврон е суматор , единственият изход от който се определя чрез входовете му и матрицата на теглата, както следва:

тук и - съответно, сигналите на входовете на неврона и теглото на входовете.

Възможните стойности на сигналите на входовете на неврона винаги лежат в интервала [0,1], те могат да бъдат или дискретни (нула или един), или аналогови. Допълнителен вход и съответното му тегло се използва за инициализиране на неврона. Инициализацията означава изместване на функцията на активиране на неврон по хоризонталната ос, тоест образуването на праг за чувствителността на неврон. В допълнение, понякога случайна променлива се добавя специално към изхода на неврон.

Предавателната функция определя зависимостта на сигнала на изхода на неврона от претеглената сума от сигнали на неговите входове. В повечето случаи той се монотонно увеличава и има диапазон от стойности [-1,1] или [0,1], но има изключения. Също така, за някои алгоритми за обучение, мрежата трябва да бъде непрекъснато диференцирана по цялата числова ос. Изкуственият неврон се характеризира изцяло със своята трансферна функция. Използването на различни трансферни функции позволява нелинейността да бъде въведена в работата на неврона и невронната мрежа като цяло.

По принцип невроните се класифицират въз основа на позицията им в мрежовата топология. дял:

· Входни неврони - приемете оригиналния вектор, кодиращ входния сигнал. По правило тези неврони не извършват изчислителни операции, а просто предават получения входен сигнал към изхода, като евентуално го усилват или отслабват.

· Изходни неврони - представляват мрежови изходи. В изходните неврони могат да се извършват всякакви изчислителни операции.

· Междинни неврони - извършват основни изчислителни операции.

Основните видове функции за прехвърляне на неврони :

· Линейна функция за активиране с насищане;

· Линейна функция за прехвърляне.

Фиг. 12.6 Разновидности на трансферните функции на невроните (линейни, прагови, сигмоидални).

Сигналът на изхода на неврона е линейно свързан с претеглената сума на сигналите на неговия вход.

В изкуствените невронни мрежи със слоеста структура невроните с трансферни функции от този тип, като правило, представляват входния слой. В допълнение към обикновена линейна функция, могат да се използват нейните модификации.

Недостатъците на стъпаловидни и полулинейни активиращи функции по отношение на линейното може да се нарече фактът, че те не са диференцируеми по цялата числова ос, което означава, че не могат да бъдат използвани в тренировките според някои алгоритми.

Функцията за прехвърляне на праг е диференциална. Докато претегленият сигнал на входа на неврона достигне определено ниво, сигналът на изхода е нулев. Веднага след като сигналът на входа на неврона надхвърли определеното ниво, изходният сигнал се променя поетапно с един.

Първият представител на пластовите изкуствени невронни мрежи - персептронът се състоеше изключително от неврони от този тип.

Поради факта, че тази функция не е диференцируема по цялата ос на абсцисата, тя не може да се използва в мрежово обучение чрез алгоритъма за обратно размножаване и други алгоритми, които изискват диференцируемост на функцията за прехвърляне.

Сигмоидната трансферна функция е един от най-често използваните в момента видове трансферни функции. Въвеждането на функции на сигмоидален тип се дължи на ограниченията на невронните мрежи с прагова функция на активиране на невроните. С тази функция на активиране, всеки от изходите на мрежата е нулев или един, което ограничава използването на мрежи. Използването на сигмоидални функции ни позволи да преминем от бинарни изходи на неврон към аналогови. Преносните функции от този тип, като правило, са присъщи на невроните, разположени във вътрешните слоеве на невронната мрежа.

Логистична функция. Математически тази функция може да се изрази по следния начин:

Тук A е параметърът на функцията, който определя нейната стръмност.

Когато A е склонен към безкрайност, функцията се изражда в праг. При A = 0 сигмоидът се изражда в постоянна функция със стойност 0,5. Диапазонът на стойностите на тази функция лежи в интервала (0,1). Важно предимство на тази функция е простотата на нейната производна:

Фактът, че производната на тази функция може да бъде изразена по отношение на нейната стойност, улеснява използването на тази функция при обучение на мрежата според алгоритъма за обратно разпространение. Характеристика на невроните с такава трансферна характеристика е, че те усилват силните сигнали много по-малко от слабите, тъй като регионите на силни сигнали съответстват на нежните области на характеристиката. Това предотвратява насищането от големи сигнали.

Изброените по-горе функции са само част от многото функции за прехвърляне, които се използват в момента. Други функции за прехвърляне включват: експонент f (x) = exp (- Axe); тригонометричен синус; модулен: ; квадратно.

Неврон с функция за прехвърляне на праг може да симулира различни логически функции.

Фиг. 12.7 Схеми на неврони, моделиращи логически функции:

„И“, „ИЛИ“, „НЕ“.

Изображенията илюстрират как чрез задаване на теглата на входните сигнали и прага на чувствителност, невронът може да извърши съединение (логическо „И“) и дизъюкция (логическо „ИЛИ“) на входните сигнали, както и логическото отрицание на входния сигнал. Тези три операции са достатъчни, за да симулират абсолютно всяка логическа функция на произволен брой аргументи.

Невронните мрежи, изградени върху изкуствени неврони, показват някои признаци, които предполагат сходството на тяхната структура със структурата на мозъка на живите организми. Въпреки това, дори и при най-ниското ниво на изкуствените неврони, има значителни разлики. Например, изкуствен неврон е система без инерция, тоест сигнал на изхода се появява едновременно с появата на сигнали на входа, което е напълно нехарактерно за биологичния неврон.

<== предишна статия | следваща статия ==>





Прочетете също:

Практическо използване на ЯМР

Концепциите на класическите и квантовите системи

Еволюционно моделиране

MEMS захранващи устройства за преносими устройства.

Принципите на конструкцията и особеностите на функционирането на измервателните уреди, основани на използването на свързани колебания в системи с две степени на свобода

Методи за измерване, използващи резонансно взаимодействие на електромагнитно поле с вещество

Концепцията за "меки измервания"

Физическа основа на методите за рентгенов анализ

Практическо приложение на повърхностния плазмонен резонанс

Концепции за експертна система и изкуствена невронна мрежа

Режими на работа на сканиращи сонди микроскопи

Принципите на изграждане на биосензор

Характеристики на внедряването на нелинейни процеси в системи с хаотична динамика

Обратно към съдържанието: Съвременни фундаментални и приложни изследвания в инструменталната техника

Преглеждания: 6227

11.45.9.191 © ailback.ru Той не е автор на публикуваните материали. Но предоставя възможност за безплатно използване. Има ли нарушение на авторски права? Пишете ни | Обратна връзка .