Решение на такава задача от мозъка може да бъде обработката на информация от обикновеното зрение (human vision). Във функциите на зрителната

49
Ще разгледаме парадигмата за обучение на невронната мрежа. Ще започнем с
парадигмата обучение с учител (supervised learning). На фиг. 2.6 е показана блокдиаграма илустрираща тази форма на обучение. Концептуално участието на учителя може да се разглежда като наличие на знания за околната среда представени във вида вход-изход. При това самата околна среда е неизвестна за самата невронна мрежа. Предполагаме че на учителя и обучаемата мрежа се подава обучаващ вектор от околната среда. На основата на запомнетите по-рано знания учителя може да сформира и да придаде на обучаваната невронна мрежа желаният отговор съответстващ на дадения входен вектор. Този желан резултат представлява оптимални действия които трябва да изпълнява невронната мрежа. Параметрите на мрежата се коригират с отчитане на обучаващият вектор и сигнала за грешки. Сигнала за грешки (error signal) е разликата между желания сигнал и текущия отговор на невронната мрежа. Корекцията на параметрите се извършва стъпка по стъпка с цел имитацията (emulation) на мрежата от неврони на поведението на учителя. По този начин в процеса на обучение знанията на учителя се предават в мрежата максимално бързо. След обучението с учител, учителя може да се изключи и да позволи на невронната мрежа да работи със средата самостоятелно.
Фиг.2.6. Блок диаграма на обучението с учител
Описаната форма на обучение е затворена система с обратна връзка, която на включва в себе си околната среда. Производителността на такава система може да се изясни в термините на средноквадратична грешка или сума от квадратите на грешките на обучаващата извадка, представена във вид на функция на свободните параметри на системата. За такава функция можем да посочим многомерна повърхност за грешки
(error surface) в координатите на свободните параметри. При това реалната повърхност на грешките се усреднява (averaged) по всички възможни примери представени във вид на двойки „вход–изход”. Всяко конкретно действие на системата с учител е представено в една точка на повърхността на грешките. За повишаване на производителността на системата във времето стойността на грешките трябва да е измества към страната на максимума на повърхността на грешки. Този максимум може да бъде както локален така и глобален. Това може да се направи ако системата притежава полезна информация за градиента на повърхността на грешки, съответстващ

50
на текущото поведение на системата. Градиента на повърхността за грешки във всяка точка е вектор определящ най-бързото спускане на тази повърхност. В случая на обучението с учител по примери се изчислява моментната оценка (instantaneous estimate) на вектора на градиента, в който входния вектор се счита за функция на времето. При използването на резултатите на такава оценка преместването на точки по повърхността за грешки има вид на „случайно блуждаене”. Въпреки това при използването на съответният алгоритъм за минимизиране на функцията на стойността адекватнията избор на обучаващ пример във формата „вход-изход” е достатъчно време за обучение на системата за обучение с учител, което може да решава такива задачи като класификация на образи и апроксимация на функцията.

Изтегляне 1.78 Mb.

Сподели с приятели: