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:
Сподели с приятели: