Однослойная нейронная сеть

Простейшая сеть состоит из группы нейронов, образующих слой, как показано в правой части. Каждый элемент из множества входов отдельным весом соединен с каждым искусственным нейроном. А каждый нейрон выдает взвешенную сумму входов в сеть. В искусственных и биологических сетях многие соединения могут отсутствовать, но здесь они показаны все для демонстрации общей картины. Могут существовать также соединения между выходами и входами элементов в слое.

Удобно считать веса элементами матрицы . Матрица имеет строк и столбцов, где — число входов, а — число нейронов. Например, — это вес, связывающий второй вход с третьим нейроном. Таким образом, вычисление выходного вектора Y= f(сумма по i от 1 до n от x_i*w_ij, j=1..n)

Персептрон -электронное устройство, являющееся моделью нейронной сети.

 

Сети прямого распространения -без обратных связей в структуре (сигнал по сети проходит только в одном направлении: от входа к выходу).

Статические сети -сети прямого распространения - однонаправленные, где выход каждого нейрона связан со всеми входами нейронов следующего слоя.

Динамические сети -сети второго класса (рекуррентные), где состояние сети в каждый момент времени зависит от предшествующего состояния.

Нейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать работу человеческого мозга.

Классификация НС:

1) по характеру обучения (по алгоритму обуч): Их обучение напоминает процесс интеллектуального развития человеческой личности с учителем- выходное пространство решений НС известно ( есть набор базовых примеров с входами и выходами. Веса подстраиваются до тех пор пока не получим эталонный ответ ), без учителя - нейронная сеть формирует выходное пространство решений только на основе входных воздействий. Такие сети называют самоорганизующимися ( когда есть входы, а выходы сеть организует автоматически ). Сеть обучается, чтобы для некоторого множества входов давать желаемое множество выходов.

2) по хар-ру настройки весов (синапсов): сети с фиксиров-ми связями (весовые коэффициенты НС выбираются сразу, исходя из условий задачи) и с динамическими связями (в процессе обучения происходит настройка синаптических связей)

3) по типу входной информации: бинарные НС (оперируют с информацией, представленной в двоичном виде) и аналоговые НС (используют информацию в форме действительных чисел)

4) по характеру связей(применяемая модель НС):

прямого распространения (без обратных связей. Все связи направлены строго от входных нейронов к выходным. Примерами таких сетей являются перцептрон Розенблатта, многослойный перцептрон, сети Ворда.),

рекуррентные сети (сети прямого распространения - однонаправленные, где выход каждого нейрона связан со всеми входами нейронов следующего слоя)

радиально-базисные,

самоорганизующиеся (Такие сети представляют собой соревновательную нейронную сеть с обучением без учителя, выполняющую задачу визуализации и кластеризации)

5) по числу слоев: однослойные и многослойные

Применения НС:

- распознавание образов и классификация (Задача состоит в указании принадлежности входного образа(например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К

известным приложениям относятся распознавание букв, распознавание речи);

- Кластеризация/категоризация (Под кластеризацией понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Кластеризация может быть использована для решения таких задач как обработка изображений, классификация, тематический анализ коллекций документов)

- прогнозирование (После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичными приложениями техники предсказания/прогноза.)

- ассоциативная память( Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию )

-управление( В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление приводами роботов. )

Распознавание ручного печатного шрифта, Контроль качества на производстве, Идентификация событий в ускорителях частиц, Борьба с наркотиками, Медицинские приложения, Финансовый анализ и прогнозирование, Управление и оптимизация.

На сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта.

Нейросетевые пакеты

Нейросетевые прикладные пакеты, разрабатываемые рядом компаний, позволяют пользователям работать с разными видами НС и с различными способами их обучения. Они могут быть как специализированными (например, для предсказания курса акций), так и достаточно универсальными. Н-р, чтобы повысить точность прогнозирования поведения потребителей, были использованы нейронные сети, обучающиеся на основе накопленной статистики. Для решения задачи применялись пакеты NeuroShell Classifier (рис. 5) и NeuroShell Predictor.