Difference between revisions of "Изкуствени невронни мрежи"

From Ilianko
Line 53: Line 53:
 
*'''прави мрежи''' - данните се предават от входните към изходните възли без обратни връзки. Мрежата може да бъде от един или няколко слоя;  
 
*'''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.  
 
*'''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.
 
Класически пример за права мрежа е перцептронът.
[[Image:rightNetwork.gif]]
+
[[Image:rightNetwork.gif|none]]
 
Типична рекурсивна мрежа е дадена на фигурата по-долу.
 
Типична рекурсивна мрежа е дадена на фигурата по-долу.
[[Image:recurentNetwork.gif]]
+
[[Image:recurentNetwork.gif|none]]

Revision as of 18:15, 9 December 2012

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: , където i се променя от 0 до n. С w е означен тегловният коефициент на връзката между тялото и дендритите на неврона; с yj е означена активността на невроните, свързани с неврон i, yi е изходът на неврона, f е предавателна функция, wij е тегловният коефициент между неврон i и неврон j.

Ако стойността на теглото wij 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.

RightNetwork.gif

Типична рекурсивна мрежа е дадена на фигурата по-долу.

RecurentNetwork.gif