Изкуствени невронни мрежи

Структурата на изкуствената невронна мрежа е математически модел, съставен от набор отделни елементи, които имитират:

• свойства на биологични невронни системи;
• процесите на адаптивно биологично усвояване на нови знания и умeния.

При решаване на задачи като:

• разпознаване на говор,
• разпознаване на образи,
• разпознаване по образец и т.н.,

се счита, че невронните мрежи могат да се прилагат успешно.

Съвременният модел на невронна мрежа е композиция на добре взаимодействащи си елементи (аналог на невроните) и свързващите ги канали (аналог на синапсите).

Основно свойство на невронните мрежи е самообучението (само-модификацията).

Човешкият мозък притежава изчислителни свойства, които се доста уникални. Тези свойства сериозно се различават от свойствата на дигиталния компютър. Началото на ИНМ се поставя с изследване на изчислителните следствия на тези различия.

Това води до разработването на нов подход при обработка на данни в изкуствения интелект, вдъхновен от начина, по който това се извършва в човешкия мозък.

Невронните мрежи изучават и прилагат:

• подробни и правдиви модели за реални мозъчни структури;
• висшите и абстрактни свойства на невронни изчисления.

Неврони

http://bg.wikipedia.org/wiki/Неврон

Основни елементи на невронните мрежи

Основният обработващ елемент в изкуствените невронни мрежи е изкуственият неврон. Той не съответства напълно на биологичните неврони. На фигурата по-долу е представен изкуствен неврон.

Изкуствен неврон

Всеки неврон получава входен сигнал от съседни неврони или други източници и го използва, за да изчисли изходен сигнал, който предава на други възли в мрежата. Различават се три типа възли в невронната мрежа:

• входни възли, които получават данни от средата, в която работи системата;
• изходни възли, които изпращат данни навън от системата;
• скрити възли, чиито входни и изходни сигнали са в мрежата.

Обработката на информацията, която се извършва от неврона може да се представи със следния израз: ${y_{i}}=f\left(\sum _{j}{w_{ij}}{y_{j}}\right)$, където i се променя от 0 до n. С w е означен тегловният коефициент на връзката между тялото и дендритите на неврона; с y_j е означена активността на невроните, свързани с неврон i, y_i е изходът на неврона, f е предавателна функция, w_ij е тегловният коефициент между неврон i и неврон j.

Ако стойността на теглото w_ij е положителна, връзката е възбуждаща, в противен случай е подтискаща.

Обикновено предавателната функция е ненамаляваща функция на тоталния вход на даден неврон. Най-често се използва линейна, полулинейна или сигмоидална функция.

Мрежови архитектури

В зависимост от вида на връзките между невроните мрежите са:

• прави мрежи - данните се предават от входните към изходните възли без обратни връзки. Мрежата може да бъде от един или няколко слоя;
• рекурсивни мрежи - има и обратни връзки. Динамичните свойства на тези мрежи са важни. При обучение невроните са с неопределена активност, която се променя докато мрежата достигне състояние, в което не настъпват повече значителни промени. В рекурсивните мрежи няма разлика между вход и изход, по-скоро има набор от видими неврони, които комуникират със средата и набор от скрити неврони, които нямат подобна функция.

Класически пример за права мрежа е перцептронът.

Типична рекурсивна мрежа е дадена на фигурата по-долу.