ШТУЧНІ НЕЙРОННІ МЕРЕЖІ (ШНМ)

Інтелектуальні системи на основі ШНМ дозволяють вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативній пам'яті і керування. ШНМ є електронними моделями нейронної структури мозку. Характеристики мозку, що відсутні в сучасних комп'ютерах:

· розподілене представлення інформації і паралельні обчислення;

· здатність до навчання і здатність до узагальнення;

· адаптивність;

· толерантність до помилок

· низьке енергоспоживання.

Перші спроби створити ШНМ були зроблені у 1943 р. В 1959 р. розробили перші дієздатні моделі ADALINE та MADALINE (Множинні Адаптивні Лінійні Елементи ), та перцептрон. Сьогодні дослідження скеровані на програмні та апаратні реалізації ШНМ. (Основні типи нейрочипів: цифровий, аналоговий, оптичний)

БІОЛОГІЧНИЙ НЕЙРОН

Базовим елементом мозку людини є специфічні клітини-нейрони, що здатні запам'ятовувати, думати і застосовувати попередній досвід до кожної дії. Нейрон складається з тіла клітини - соми, і двох типів зовнішніх деревоподібних відгалужень: аксона і дендритів. Тіло клітини вміщує ядро, що містить інформацію про властивості нейрону, і плазму, яка продукує необхідні для нейрону матеріали. Нейрон отримує імпульси від інших нейронів через дендрити (приймачі) і передає сигнали, згенеровані тілом клітки, вздовж аксона (передавач), що наприкінці розгалужується на волокна. На закінченнях волокон знаходяться синапси. Синапс є функціональним вузлом між двома нейронами (волокно аксона одного нейрона і дендрит іншого). Кора головного мозку містить близько 10¹¹ нейронів, кожен з яких зв'язаний з 10³ - 10⁴ іншими, це приблизно від 10¹⁴ до 10¹⁵ взаємозв'язків.

ШТУЧНИЙ НЕЙРОН

Базовий модуль ШНМ штучний нейрон моделює чотири основні функції природного нейрона. Вхідні сигнали x_n зважені ваговими коефіцієнтами з'єднання w_n додаються, проходять через передатну функцію, генерують результат і виводяться. Модифіко-вані входи передаються на суматор (сумування або знаходження середнього, найбільшого, наймен-шого, OR, AND). Інколи функція сумування ускладнюється додаван-ням функції активації, яка дозволяє суматору оперувати в часі.

В любому з цих випадків, вихід суматора надсилається у передатну функцію і скеровує весь ряд на дійсний вихід за допомогою певного алгоритму. В якості передатних функцій можуть бути використані сигмоїда, синус, гіперболічний тангенс та ін.

Після обробки сигналу, нейрон на виході має результат передатної функції, який надходить на входи інших нейронів або до зовнішнього з'єднання, як це передбачається структурою нейромережі.

ШТУЧНА НЕЙРОМЕРЕЖА

Існуючі на даний час, ШНМ є групуванням штучних нейронів. Це групування обумовлено створенням з'єднаних між собою прошарків. Хоча існують ШНМ, які містять лише один прошарок, або навіть один елемент, більшість застосувань вимагають ШНМ, які містять як мінімум три нормальних типи прошарків - вхідний, прихований та вихідний. Прошарок вхідних нейронів отримує дані вхідних файлів або сенсорів. Вихідний прошарок пересилає інформацію безпосередньо до зовнішнього середовища. Між ними може бути багато прихованих прошарків, які містять нейрони у різноманітних зв'язаних структурах.

Напрямок зв'язку від одного нейрону до іншого є важливим аспектом нейромереж. У більшості мереж кожен нейрон прихованого прошарку отримує сигнали від всіх нейронів попереднього прошарку та звичайно від нейронів вхідного прошарку. Після виконання операцій над сигналами, нейрон передає свій вихід до всіх нейронів наступних прошарків, забезпечуючи шлях передачі вперед на вихід.

При зворотному зв'язку, вихід нейронів прошарку скеровується до нейронів попереднього прошарку.

Шлях, яким нейрони з'єднуються між собою має значний вплив на роботу мережі. Більшість пакетів професіональної розробки програмного забезпечення дозволяють користувачу додавати, вилучати та керувати з'єднаннями як завгодно.

Застосування нейромереж вимагає від розробника виконання ряду умов.

Ці умови включають:

· множину даних, що включає інформацію, яка може характеризувати проблему;

· відповідно встановлену за розміром множину даних для навчання і тестування мережі;

· розуміння базової природи проблеми, яка буде вирішена;

· вибір функції суматора, передатної функції та методів навчання;

· розуміння інструментальних засобів розробника;

· відповідна потужність обробки.

Поиск по сайту: