НЕЙРОННІ МЕРЕЖІ

Штучні нейронні мережі простого типу

Нейронні мережі - алгоритми, з точки зору підходу до навчання «наслідують» поведінки людського мозку. В середині 1980-х рр. популярність нейронних мереж була величезна - всі були заражені ідеєю розумного комп'ютера, думаючого як людина. Однак в 1990-і рр. стало зрозуміло, що нейронна мережа не панацея в аналізі даних і годиться тільки для ряду завдань. Проте зараз алгоритми переживають нове «народження» і застосовуються для різних завдань реального світу, таких як розпізнавання мови, комп'ютерний зір, генна інженерія і т.д.

Людський мозок досі перевершує комп'ютер в задачах обробки великих масивів даних, а також навчається набагато краще будь-якого комп'ютера. У чому ж його секрет?

Інформація в оремо мозку передається за допомогою нейронних мереж, які складаються з аксонів, синапсів і дендрігов, кожен з яких, в свою чергу, виконує свою функцію [1] .

Вчені Дж. Маккалох і У. Піттс в 1943 р створили штучний нейрон. Він був схожий на перемикач, який отримував інформацію від інших нейронів, і на основі зваженого входу або був активований, або залишався неактивним (див. Підпункті 5.2.2).

Модель нейронної мережі, що складається з одного шару обробних елементів, називається персептроном. Це поняття ввів Ф. Розенблат, який в 1959 р продемонстрував першу комп'ютерну модель сприйняття інформації мозком.

У нейроні дендрити приймають вхідні впливу, а аксон є виходом. Модель штучного нейрона побудована за таким же принципом (рис. 5.5).

модель персептрона

Мал.5.5. модель персептрона

Псрсептрони складаються з одного шару, при передачі сигналів між елементами якого враховуються вагові коефіцієнти {w, w 2 , ..., і> "). да 0 - коефіцієнт, що позначає зсув, яке може інтерпретуватися як порогове значення. Перетворення входів в вихід відбувається з урахуванням ваг зв'язків, які з'єднують входи з виходом. У іерсептронах зазвичай використовуються двійкові значення (0 і 1) для входу і виходу.

Проведемо моделювання персептрона, який відбувається в два етапи.

1. Обчислення результуючої суми:

де w 0 - порогове значення; ? з ; і x i - ваги і входи відповідно.

2. Активація нейрона:

розглянемо алгоритм навчання одного штучного нейрона, що дозволяє, по суті, вирішити задачу класифікації лінійним класифікатором. Далі розглянемо штучні нейронні мережі, що дозволяють вирішувати складні нелінійні задачі.

  • [1] Див .: Krogh A. What are Artificial Neural Networks? // Nature Biotechnology.2008. № 2 (26).
 
Переглянути оригінал
< Попер   ЗМІСТ   ОРИГІНАЛ   Наст >