Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Искусственные нейронные сети
Традиционные подходы решения различных задач, в том числе и с использованием компьютерной техники, предполагают полное и точное знание исследователем и/или разработчиком алгоритма выполнения задачи, включая последовательность действий. К сожалению, не все задачи удаётся просто решить подобным способом. Зачастую поиск закономерностей не удаётся алгоритмизировать, или это требует дополнительных трудозатрат. Между тем, человеческий разум способен справляться с ранее не решаемыми задачами, находить неизвестные закономерности и особенности в поступающих данных. К сожалению, человек более приспособлен работать с практическими данными нечислового характера; кроме того, расходовать человеческие ресурсы для анализа очень большого объема данных не всегда рационально. Решением проблемы может стать имитация на базе компьютерной техники некоторых особенностей человеческого разума, безусловно, в упрощённом виде, достаточном для решения конкретных прикладных задач. Человеческий мозг состоит из нервных клеток– нейронов. Каждый нейрон включает в себя тело клетки, множество дендритов, выполняющих роль входов нервных импульсов в клетку и одного аксона, выполняющего роль выхода. Исходя из сигналов на дендритах и особенностей самой клетки, нейрон может находиться в одном из двух состояний: в заторможенном и в возбуждённом. Аксон одной клетки связан со множеством дендритов других клеток через синапсы, в которых происходит химическая передача сигнала. В свою очередь, синапсы могут быть возбуждающими, то есть, поступление сигнала на них от одной клетки приводит к стремлению перевести следующую клетку в возбуждённое состояние, и тормозные, обладающие противоположными свойствами (сигнал на них стремится затормозить последующий нейрон). Множество нейронов (в человеческом мозге их порядка 15 млрд) связано друг с другом в сложную сетеподобную структуру. Для решения прикладных задач можно имитировать некоторые свойства мозга человека, а именно –реализовать (как правило, виртуально) искусственные нейроны и объединить их в сеть. Такая система получила название искусственной нейронной сети (ИНС). Чтобы создать математическую модель нейрона (искусственный нейрон), необходимо получить числовое значение, на основании которого он будет переключаться в «заторможенное» (0) или «возбуждённое» (1) состояние. Для этого вводят функцию состояния искусственного нейрона u:
где –вес i-го «синапса» (может меняться в значительных пределах, может быть как положительным, так и отрицательным, 0 означает отсутствие связи); – пороговое значение, вызывающее активацию искусственного нейрона; – сигнал, поступающий на i-й синапс; n – число дендритов (и синапсов, связанных с ними) у данного искусственного нейрона.
Значение функции состояния может находиться в достаточно широком диапазоне, однако нейрон бывает либо возбуждённым, либо заторможенным. Наиболее логичным с этой точки зрения было бы ввести функцию активации ступенчатого вида ( при u <0и при u >0). Однако такой подход с точки зрения работы с ИНС будет неудобен: функция активации терпит разрыв, поэтому любые дифференциальные методы не будут работать. Использование кусочно-линейной функции тоже неудобен из-за изломов. Наиболее целесообразным является введение сигмоидальной функции активации искусственного нейрона, например, вида . График этой функции представлен на рисунке 8.1. Рисунок 8.1 - Сигмоидальная функция активации искусственного нейрона
Недостатком такого подхода является возможность пребывания искусственного нейрона в некоем промежуточном положении, что не соответствует естественному объекту, но поскольку в большинстве случаев задачи полной имитации не ставится, а работать с ИНС приходится математическими методами, этот подход является оправданным, а в ряде случаев позволяет решать задачи, нерешаемые (или трудно решаемые) при ступенчатой функции активации. ИНС можно построить из нейронов разными способами. Наиболее распространённым вариантом является персептрон (рисунок 8.2), многослойная сеть, в которой каждый нейрон последующего слоя связан со всеми нейронами предыдущего слоя (связей внутри слоя быть не должно). Рисунок 8.2 - Персептрон
Входы первого слоя являются входами в саму сеть, а выходы последнего – выходами из сети. После получения ИНС разработки её структуры сеть необходимо обучить. Существует два способа обучения ИНС: «с учителем» и «без учителя». Для «обучения без учителя» необходимы определённые правила и соображения, к чему ИНС должна стремиться, поэтому в данном пособии далее этот метод рассматриваться не будет.
В «обучении с учителем» используется обучающая выборка, содержащая как значения на входе в ИНС (входные нейроны персептрона), так и ожидаемые значения на выходе. Все значения должны находиться в пределах от 0 до 1. Целью обучения является сведение к минимуму расхождения между заданными значениями, которые должны быть на выходах, и фактическими. Эффективность обучения определяется суммой квадратов ошибки, она должна стремиться к нулю (быть не выше заданного значения). В процессе обучения может наблюдаться переобучение – состояние ИНС, когда она идеально приспособилась не только и не столько к закономерностям в обучающей выборке, сколько к её особенностям, включая случайную ошибку. Если переобученную сеть использовать в практических целях, она может показать неверные результаты. Поэтому контролируют степень обучения с помощью контрольной выборки: если ошибка на последней существенно превышает ошибку на обучающей выборке, то сеть уже переобучена.
Практическая работа № 11
|
||||||
Последнее изменение этой страницы: 2021-01-08; просмотров: 99; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.118.29.224 (0.005 с.) |