Решение на такава задача от мозъка може да бъде обработката на информация от обикновеното зрение (human vision). Във функциите на зрителната
Изтегляне 1.78 Mb. Pdf просмотр
|
Свързани:
Kniga uchitel IT 6. klas Даниела Убенова (1), Kniga uchitel IT 8. klas Даниела Убенова, elektronno-obuchenie
- Навигация на страницата:
- Многослойна мрежа за пряко разпространение
- Рекурентни мрежи
| 1.6. Архитектура на мрежите Еднослойна мрежа за пряко разпространение В многослойните мрежи неврона се разполага по слоеве. В най-простият случай в такава мрежа съществува входен слой (input layer) на възлите на източника, информацията се предава на изходният слой (output layer) на невроните (изчислителният възел) но не и обратно. Такава мрежа се нарича мрежа за пряко разпространение (feed-forward) или ациклична (acyclic) мрежа. На фиг. 1.15. е показата структура на такава мрежа за случай на четири възела във всеки слой (входен и изходен). Такива невронни мрежи се наричат еднослойни (single-layer network), при това единственият слой е от изчислителни елементи на невроните. Многослойна мрежа за пряко разпространение Друг клас невронни мрежи за пряко разпространение се характеризират с наличието на един или няколко скрити слоя (hidden layer), възлите се наричат скрити неврони (hidden neuron) или скрити елементи (hidden unit). Възлитe източници на входният слой на мрежата формират съответните елементи на шаблонна активация (входен вектор), които съставят входният сигнал, постъпващ от неврона (изчислителни) елементи на вторият слой (т.е. първият скрит слой). Изходният сигнал на втория слой се използва в качеството на входен сигнал на третият слой и т.н. Избора на изходни сигнали на невроните на последният слой от мрежата определят крайния отговор на мрежата на даденият входен образ оформящ възли от източника на входният (първият) слой на мрежата (фи. 1.16.), наречен мрежа 10-4-2 , така както тя има 10 входни, 4 скрити и 2 изходни неврона. В общият случай мрежата на право разпространение с m входа, невронi на първият скрит слой, неврони на втория скрит слой и q неврони на изходният слой се нарича мрежа Рекурентни мрежи Рекурентните невронни (recurrent network) мрежи се отличават от мрежите за пряко разпространение с наличието на поне една обратна връзка (feedback loop). Пример за рекурентна мрежа може да бъде мрежа, кочто се състои от единствен слой 22 неврони, всеки от който изпраща своя изходен сигнал на входа на всички останали невронни слоеве. Архитектура на такава невронна мрежа е показана на фиг. 1.17. Фиг.1.16. Напълно свързана мрежа на право разпространение с един скрит и един изходен слой Фиг.1.17. Рекурентна мрежа без скрити неврони и обратна връзка на невроните сами със себе си На фиг. 1.18. е показън друг клас невронни мрежи – със скрити неврони. 23 Фиг.1.18. Рекурентна мрежа със скрити неврони Наличието на обратни връзки в мрежата показана на фиг. 1.17. и 1.18. указва непосредствено влияние на способността на такива мрежи към обучение и на тяхната производителност. Обратната връзка поддържа използването на елементи на единично задържане , което води до нелинейно динамично поведение, ако в мрежата се съдържат нелинейни неврони. 1.7. Представяне на знания Под представяне на знания (knowledge representation) се рзбира каква информация е необходимо да се съхрани и как тази информация се представя физически за следващо използване. Основната задача на невронните мрежи е най-доброто обучение обучение на моделите на околната среда за решаването на поставена задача. Знанията за света включват два типа информация: a) Известно състояние за заобикалящата ни действителност, представляват имащите в наличност достоверни факти. Тази информация се нарича априорна (prior). b) Наблюдаването на околната среда (измервания), получени с помощта на сензори, адаптиращи се към съответните условия, в които е длъжна да функционира дадена невронна мрежа. Такива измервания в значителна степен са шумни, което може да доведе до грешки. Във всички случаи измерванията получени по този способ формират множество от операции, примери от които се използват за обучение на невронни мрежи. Примерите могат да бъдат маркирани (labeled) и немаркирани (unlabeled). В маркираните примери входният сигнал (input signal) съответства на желания отговор (desired response). Немаркираните примери се състоят от няколко реализации на един входен сигнал. Множеството от двойки на сигнала вход-изход, всяка от които се състои от входен сигнал и съответните му желани изходи се нарича обучаващи данни (training 24 data) или обучаващи избори (training sample). За пример ще разгледаме задачата за разпознаване на цифри (digit recognition problem). В тази задача входния сигнлал представлява сам по себе си матрица, състояща се от черни и бели точки. Желаният резултат на мрежата се явява конкретна цифра, изображението на която се подава в качеството на входен сигнал. Обучаващите избори се състоят от множество числа от ръкописните цифри, което отразява ситуацията, която може да възникне в реалния свят. При наличие на такива избори на примери на невронните мрежи се създават по следния начин: • Избират се съответните невронно-мрежови архитектури, в които размера на входния слой съответства на количеството на пикселите на рисунка, а изходните слоеве съдържат 10 неврона съответстващи на цифрите. След това се извършва насройка на тегловите конфигурации на мрежата на основата на обучаващо множество. Този режим на работа на мрежата се нарича обучение. • Ефективността на обучаващата мрежа се проявява (реституира) на множество примери отличаващи се от използваните при обучението. На входа на мрежата се подава изображение, за което е известен целеви изход на мрежата. Ефективността на обучението на мрежата се проверява по пътя на сравнение на резултатите от разпознаването с реалните цифри. Този етап на работа на невронните мрежи се нарича обобщение (generalization). Наборът от данни, използвани при обучение на мрежата е длъжен да съдържа както положителни, така и отрицателни примери. Например в задачата за пасивната ехо-локация, положителните примери включват сигнали, отразени от интересувани обект (например подводница). Върху реалната среда на отразяването на радара, влияят и морските обекти, случайно попаднали в зоната на сигнала. За да се изясни вероятността от невронна трактовка на сигнала в множеството от примери се добавят сигнали, получени при присъствието на търсения обект. Въпросите за представянето на знания в невронните мрежи са доста сложни. Още по-добре могат да се видят в следващите 4 правила: Изтегляне 1.78 Mb. Сподели с приятели:
|