Нейронные сети

Нейронные сети, использующие обучение без учителя. Обучение без  учителя является намного более  правдоподобной моделью обучения с  точки зрения биологических корней искусственных нейронных сетей. Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.

Настройка весов

• сети с фиксированными связями – весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи;
• сети с динамическими связями – для них в процессе обучения происходит настройка синаптических весов.

Тип входной  информации

• аналоговая – входная информация представлена в форме действительных чисел;
• двоичная – вся входная информация в таких сетях представляется в виде нулей и единиц.

Применяемая модель нейронной сети

Сети прямого  распространения – все связи  направлены строго от входных нейронов к выходным. К таким сетям относятся, например: простейший персептрон (разработанный  Розенблаттом) и многослойный персептрон.

Реккурентные нейронные сети – сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя.

Радиально базисные функции – вид нейронной сети, имеющий скрытый слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются. Предложены в работах Broomhead and Lowe (1988) и Moody and Darkin (1989). Радиально базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию и синаптические веса входного и скрытого слоев равны единицы.

Самоорганизующиеся  карты или Сети Кохонена – такой класс сетей, как правило, обучается без учителя и успешно применяется в задачах распознавания. Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов.

 

 

Вывод

Важнейшая особенность человеческого  мозга состоит в том, что, однажды  обучившись определенному процессу, он может верно, действовать и  в тех ситуациях, в которых  он не бывал в процессе обучения. Например, мы можем читать почти  любой почерк, даже если видим его  первый раз в жизни. Так же и  нейронная сеть, грамотным образом  обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Например, мы можем нарисовать букву "А" другим почерком, а затем  предложить нашей нейронной сети классифицировать новое изображение. Веса обученной нейронной сети хранят достаточно много информации о сходстве и различиях букв, поэтому можно  рассчитывать на правильный ответ и  для нового варианта изображения.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Список литературы

1  http://www.module.ru/files/un_neuron_net.pdf

2  http://www.neuroproject.ru/neuro.htm

3  http://www.orc.ru/~stasson/neurox.html#articles

цикл статей: «нейронные сети: основные положения», C.Короткий

4  http://mechanoid.narod.ru/nns/base

5.Основные модели и методы теории искусственных нейронных сетей, Борисов Е. С., 19 октября 2005 г.

6. http://www.aiportal.ru/