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
| 2.12. Адаптация При решаването на задачи често се оказва, че едно от основните измервания на процеса на обучение се оказва пространството, а при други – времето. Биологичният вид, от насекоми до човека имат способността да представят временна структура на опита. Такова представяне позволява на животните да адаптират (adapt) своето поведение към временна структура на събития в пространството. Ако невронната мрежа работи в стационарна (stationary) среда (т.е. среда, статическата характеристика на която не се изменя във времето), тя теоретично може да бъде обучена с най-съществените характеристики на средата с помощта на учител. Например, синаптическите тегла на мрежите могат да се изчислят в процеса на обучение на множество данни, представящи средата. След това при завършване на процеса на обучение синаптическите тегла на мрежата отразяват статистическата структура на средата, която се счита за неизменна или „замразена”. За извличането и използването на придобития опит на обучаемата система се основава на тази или друга форма на паметта. Често околната среда се нарича нестационарна (nonstacionary). Това значи, че статистическите параметри на входните сигнали, генерират среда изменяща се във времето. В такъв род ситуации, методите за обучение с учител доказват своята несъстоятелност, така както мрежата няма средства за проследяване на статистическите вариации на средата, с която работи. Затова е необходимо постоянно адаптиране на свободните параметри на мрежата към нарастващите сигнали в режим на реално време, т.е. адаптивните системи трябва да отговарят на всеки следващ сигнал като на нов. Процеса на обучение в адаптивните системи не завършва, когато постъпят нови сигнали за обработка. Такава форма на обучение се нарича непряка форма на обучение (continuous) или обучение на летене (learning on-the-fly). За реализацията на непрякото обучение може да се използват линейни адаптивни филтри (linear adaptive filter), построени за линейния суматор (т.е. отделния неврон функционира в линеен режим). Не сложни структури ( а в много случаи благодарение и на тях) днес се използват широко в такива несходни области като радиолокацията, сеизмологията, връзк и биометрия. Теорията на линейните адаптивни филтри вече е достигнала своето развитие в стадия на зрелост, но това не трябва да се свързва с нелинейни филтри. При изследването на непрякото обучение и примерите в теорията на невронните мрежи възниква следния въпрос: Как невронните мрежи могат да адаптират своето поведение към измененията на временната структура на входния сигнал в поведенческото пространство? Един от отговорите на този фундаментален въпрос предполага, че изменението на статистическите характеристики на нестационарните процеси протича бавно, затова този процес може да се разглежда като псевдостационарен. Примери: 70 Синтеза на речевия сигнал може да се разглежда като стационарен процес за интервала от време 10-30 милисекунди. Ехото на радара от дъното на океана може да се счита за стационарен процес за интервал от време няколко секунди. При дългосрочни прогнози на времето синоптическите данни могат да се разглеждат като стационарни за интервал от време няколко минути. Използва се свойството псевдостационарност в стохастическите процеси, което може да увеличи срока на ефективност на работата на невронните мрежи за сметка на периодично преучаване (retraining), позволяващо да се отчитат вариациите на входните данни. Може да се използва по-точен динамичен (dinamic) подход. За тази цел използваме следната последователност от действия: Избираме достатъчно кратък интервал от време, в който данните могат да се считат за псевдостационарни, и се използват за обучение на мрежи. След получаване на новия обучаващ пример, трябва да се премахне най-стария вектор и да се добави нов пример. Използваме обновения избор за обучение на мрежата. Непрекъснато се повтаря описаната процедура. Описаният алгоритъм позволява да се придават временни свойства в архитектурата на невронната мрежа се реализират образи на принципа непрекъснато обучение на поредни във времето примери (continual learning with time-ordered examples). При използването на такъв подход невронните мрежи може да се считат за нелинеен адаптивен филтър (nonlinear adaptive filter), представляващ обобщение на линейните адаптивни филтри. Изтегляне 1.78 Mb. Сподели с приятели:
|