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

58
Под терминът филтър (filter) се разбира устройство или алгоритъм за извличане на полезна информация от зашумени данни. Шума може да визникне по много причини.
Например данните могат да бъдат измерени с грешки, или смущенията могат да възникват при предаване на информационният сигнал прец зашумена линия на връцката. На полезният сигнал може да бъде наложен друг сигнал постъпващ от околната среда. Филтрите могат да се прилагат за решение на три основни задачи за обработка на информация:
1. Филтрация (filtering), т.е. извличане на полезна информация в дискретен момент от време п измерени до момента на време п включително.
2. Изглаждане (сsmoothing) – тази задача се отличава от филтрацията по това че информацията за полезният сигнал в момент от време п не трябва, за това за извличане на тази информация могат да се използват данни получени по-късно.
В изглаждането при формиране на резултата присъства закъснение (delay).Така както при изглаждането можем да използваме данни получени не само до момента от време п, но и след него, то този процес в статистически смисъл е по-точен от филтрацията.
3. Прогнозиране (prediction) – целта на процеса е получаване на прогноза за относителното състояние за обекта на управление в някой момент от време
, където на основата на данни получени до момента п
(включително).
Фиг. 2.14. Блок диагра на сляпо разделяне на източници
Задачите за филтрация се явяват задачи за разпознаване на гласа на събеседника
на шумна вечеринка (coctail party problem). Ние притежаваме способността да се концентрираме на гласа на събеседника независимо от разногласния шум донасящ се до групата посетители на вечеринката, думи които ние не разпознаваме. Вероятност за решението на такава задача се използва някаква форма на предсъзнателен и превантивен анализ. В контекста (изкуствени) на невронните мрежи аналогична задача за филтрация възниква при сляпо разпределение на сигналите (blind signal separation).
За да се сформира задачата за сляпо разпределие на сигналите се представя неизвестен източник като неизвестнен сигнал
. Тези сигнали линейно се смесват с неизвестни сензори и се получава вектор за наблюдение с размерност m 1 (фиг. 2.14).
Където

59
Където А е неизвестна несингулярна матрица на смесване на размености m m.
Векторът на наблюдение е известен. Трябва да се възстанови изходния сигнал по метода за обучение с учител.
Фиг 2.15. Блок диаграма на нелинейното прогнозиране
Връщаме се към задачата за прогнозиране в която се изисква да се предскаже текущата стойност на процеса по предишна информация за него взета в дискретен момент от време и представена чрез стойностите
, където Т е периодично снемане на сигнала, а т е степен на прогнозиране. Задачата може да се реши с помощта на обучение основано на грешки без учител, тъй като обучаващите примери се получават от самия процес (фиг. 2.15.). При това е в ролята на желан отговор. Обозначаваме с резултатът от прогнозата на една стъпка напред генерирана от невронната мрежа в момент от време п. Сигналът за грешки се определя като разлика между
. Той се използва за настройка на свободните параметри на мрежата. При тези допускания прогнозите може да се разглеждат като форма за построяване на модел (model building) в този смисъл, че грешките на прогнозиране в статистически смисъл на невронните мрежи могат да работят в качеството на модели имитиращи физическия процес, обезпечаващ генерирането на данните. Този процес се явява нелинеен, невронните мрежи се явяват мощно средство за решаване на задачи за прогнозиране, така както нелинейната обработка на сигнала предполага само архитектурата на невронните мрежи. Единствено изключение е изходния слой неврони: ако динамичният диапазон на времето е неизвестен, във изходния слой е целесъобразно да се използва линейна обработка на елементи.

Изтегляне 1.78 Mb.

Сподели с приятели: