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
| 1.3. Модел на невроните Неврона представлява единица за обработка на информацията в невронните мрежи. На блок схемата на фиг. 1.5. е показан модел (model) на неврон лежащ в основата на изкуствените невронни мрежи. В този модел можем да отличим три основни елемента: 1) Избор на синапси (synapse) или връзки (connecting link), всяка от които се характеризира със своето тегло (weight) или сила (strenght). В частност сигнала на входа на синапса j свързан с неврона к се умножава по теглото Важно е да се обърне внимание на това в какъв ред са указани индексите на синаптическото теглo . Първият индекс се отнася към разглеждания неврон, а втория към входният край на синапса, с който е свързано даденото тегло. За разлика от синапсите на мозъка синаптическото тегло на изкуственият неврон може да има както полужителна, така и отрицателна стойност. 2) Суматор (adder) – натрупва входните сигнали претегляни относно съответният синапсов неврон. Тази операция може да се опише като линейна комбинация. 3) Активираща функция (Activation function) – ограничава амплитудата на изходния сигнал на неврона. Тази функция се нарича още функция на свиване (squashing function). Нормалният диапазон на амплитудата на изхода на неврона се намира в интервала [0,1] или [-1,1]. В модела на неврона показан на фиг. 1.5. е включен и прагов елемент (bias), който се означава със символа . Тази величина отразява увеличението или намалението на входния сигнал, подаван на активиращата функция. В математически вид функционирането на неврона к може да се опише със следните две уравнения: Където входни сигнали; - синаптически тегла на неврона к; - линейна комбинация от входни въздействия (linear combiner output); - изходен сигнал на неврона; - активна функция; - праг. Използването на прага обезпечава ефекта на афинното преобразуване (affine transformation) на изходния линеен суматор . В модела, показан на фиг.1.5, постсинаптическият потенциал се изчислява чрез: В зависимост от това дали прага приема полужителни или отрицателни стойности, индукционното локално поле (induced local field) или потенциала на активност (activation potential) на невроните се измена така както е показано на фиг. 1.6. Прага се явява външен параметър на изкуственият неврон к. Това може да 11 се види след преобразуването на формули 1.1, 1.2. и 1.3., които се свеждат до следващият вид: В израза 1.4. се добавя нов синапс. Неговият входен сигнал е равен: А неговото тегло е равно на: От фиг. 1.7. се вижда, че в резултат на въведеният праг се добавя нов входен сигнал с фиксирана величина +1, а новото синаптическо тегло е равно на праговата стойност . Въпреки че фиг. 1.5 и 1.7. външно не си приличат те математически са еквивалентни. Фиг.1.7. Още един нелинеен модел на неврона Изтегляне 1.78 Mb. Сподели с приятели:
|