Большая техническая энциклопедия
0 1 3 5 8
D N
А Б В Г Д Е Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Э Ю Я
ИГ ИД ИЗ ИЛ ИМ ИН ИО ИП ИС ИШ

Искусственный нейрон

 
Искусственный нейрон, к которому приложима рассмотренная теория, должен обладать шестью раж; определенными свойствами. Чтобы показать их взаимосвязь, подчеркнуть аналогию с естественным нейроном и сократить описание, будут использованы нейрофизиологический термины.
Искусственный нейрон. Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1.2 представлена модель, реализующая эту идею. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый вес соответствует силе одной биологической синаптической связи.
Модель искусственного нейрона ( рис. 5.1) представляет собой дискретно-непрерывный преобразователь информации.
К определению формального нейрона. В искусственном нейроне вхолы ассоциируются с синапсами биологического нейрона, а выход - с аксоном.
Однослойная нейронная сеть. Рассмотренная простая модель искусственного нейрона игнорирует многие свойства своего биологического двойника. Например, она не принимает во внимание задержки во времени, которые воздействуют на динамику системы. Входные сигналы сразу же порождают выходной сигнал. И, что более важно, она не учитывает воздействий функции частотной модуляции или синхронизирующей функции биологического нейрона, которые ряд исследователей считают решающими.
Рассмотренная простая модель искусственного нейрона игнорирует многие свойства своего биологического прототипа. Например, она не принимает во внимание задержки по времени, которые воздействуют на динамику системы: входные сигналы сразу порождают выходной сигнал. Также не учитывается влияние функции частотной модуляции или синхронизирующей функции биологического нейрона, которые с биологических позиций считаются решающими.
По аналогии с биологическим нейроном искусственный нейрон также имеет синапсы, ячейку нейрона и аксон. Аксон - выходная связь нейрона, с которой сигнал поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом w, который по физическому смыслу эквивалентен электрической проводимости. В ячейке нейрона суммируются все входы, что определяет текущее состояние нейрона.
Схема искусственного нейрона. На рис. 6.17 представлена схема искусственного нейрона, используемого в качестве основного строительного блока в сетях обратного распространения.
Схема искусственного нейрона. На рис. 1.33 представлена схема искусственного нейрона, используемого в качестве основного строительного блока в сетях обратного распространения.
В перестроив имеется один слой искусственных нейронов, на каждый из которых подаются все входные сигналы а ( со своими весами Wjj. Такая искусственная нейронная сеть называется однослойной. Схема этой сети достаточно проста, в ней отсутствуют обратные связи с выходов нейронов на их входы, но в этом и ее сила. Розенблатт доказал очень важную теорему о том, что персептрон можно обучить всему, что он способен представить.

На рис. 2 показана модель искусственного нейрона, где jjlni.
Как мы видели, выход NET простого искусственного нейрона является взвешенной суммой его входов.
Многие авторы избегают термина нейрон для обозначения искусственного нейрона, считая его слишком грубой моделью своего биологического прототипа. В этой книге термины нейрон, клетка, элемент используются взаимозаменяемо для обозначения искусственного нейрона как краткие и саморазъясняющие.
Организмы имеют нервную систему, состоящую из искусственных нейронов.
Сеть ИНС представляет собой совокупность простых вычислительных элементов - искусственных нейронов, каждый из которых обладает определенным количеством входов ( дендритов) и единственным выходом ( аксоном), разветвления которого подходят к синапсам, связывающим его с другими нейронами. На входы нейрона поступает информация извне или от других нейронов. Нейроны в сети могут иметь одинаковые или разные функции возбуждения. Сигналы, поступающие на вход нейрона, неравнозначны в том смысле, что информация из одного источника может быть более важной, чем из другого. Приоритеты входов задаются с помощью вектора весовых коэффициентов, моделирующих синаптическую силу биологических нейронов.
Двухслойная нейронная сеть. Каждый элемент из множества входов X отдельным весом соединен с каждым искусственным нейроном. А каждый нейрон выдает взвешенную сумму входов в сеть. В искусственных и биологических сетях многие соединения могут отсутствовать, все соединения показаны в целях общности. Могут иметь место также соединения между выходами и входами элементов в слое. Такие конфигурации рассматриваются в гл.
ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.
Нелинейный преобразователь. В современных работах по этой теме, особенно написанных не инженерами, часто встречаются аналогии искусственный нейрон - нейрон головного мозга. Ряд авторов вообще прямо указывают, что единственное отличие нейросети от мозга человека - в количестве нейронов.
Хотя обычные электронные аналоговые решающие цепи вряд ли удобны для экспериментов, связанных с наличием большого количества искусственных нейронов ( исследование пер-цептрона, гл.
Искусственный нейрон. Еще в 40 - х гг. у исследователей возникла следующая мысль: если обработка информации в мозгу осуществляется совокупностью пороговых сумматоров, связанных в общую сеть, работающих по принципу все или ничего, то таким же свойством должна обладать и искусственная нейронная сеть, состоящая из соединенных в общую сеть искусственных нейронов. Впервые этот вопрос серьезно исследовали в 1943 г. У. В своей статье Логическое исчисление идей, относящихся к нервной деятельности они показали, что нервная система действительно может быть смоделирована с использованием искусственных нейронов, связанных между собой.
Теория искусственных нейронных сетей в настоящее время проходит этап формирования, что обусловливает разнообразие постановок проблем и основных определений. Исследователи наделяют искусственные нейроны разнообразными свойствами, которые, по их мнению, адекватны функциям биологических нейронов и позволяют получать решение актуальных для исследователя задач.
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1.2 представлена модель, реализующая эту идею. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый вес соответствует силе одной биологической синаптической связи.

Представляют собой сеть элементов - искусственных нейронов - связанных между собой синап - тическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов.
Вогнутая область решений, задаваемая трехслойной сетью. Трехслойная сеть, однако, является более общей. Ее классифицирующие возможности ограничены лишь числом искусственных нейронов и весов. Ограничения на выпуклость отсутствуют. Теперь нейрон третьего слоя принимает в качестве входа набор выпуклых многоугольников, и их логическая комбинация может быть невыпуклой. На рис. 2.9 иллюстрируется случай, когда два треугольника А и В, скомбинированные с помощью функций А и не В, задают невыпуклую область. При добавлении нейронов и весов число сторон многоугольников может неограниченно возрастать. Это позволяет аппроксимировать область любой формы с любой точностью. Вдобавок не все выходные области второго слоя должны пересекаться. Возможно, следовательно, объединять различные области, выпуклые и невыпуклые, выдавая на выходе единицу всякий раз, когда входной вектор принадлежит одной из них.
На рис. 6.4 показана блок-схема этого устройства с усилителями, выполняющими роль искусственных нейронов. Сопротивления, выполняющие роль весов, соединяют выход каждого нейрона с входами всех остальных.
Многие авторы избегают термина нейрон для обозначения искусственного нейрона, считая его слишком грубой моделью своего биологического прототипа. В этой книге термины нейрон, клетка, элемент используются взаимозаменяемо для обозначения искусственного нейрона как краткие и саморазъясняющие.
Функции переноса искусственных нейронов. a - линейная. б - ступенчатая. в - сигмоидальная. Тип функции переноса выбирается с учетом конкретной задачи, решаемой с применением нейронных сетей. Например, в задачах аппроксимации и классификации предпочтение отдают логистической ( сигмоидальной) кривой. Нейронная сеть представляет собой совокупность искусственных нейронов, организованных слоями. При этом выходы нейронов одного слоя соединяются с входами нейронов другого. В зависимости от топологии соединений нейронов ИНС подразделяются на одноуровневые и многоуровневые, с обратными связями и без них. Связи между слоями могут иметь различную структуру. В однолинейных сетях каждый нейрон ( узел) нижнего слоя связан с одним нейроном верхнего слоя. Если каждый нейрон нижнего слоя соединен с несколькими нейронами следующего слоя, то получается пирамидальная сеть. Воронкообразная схема соединений предполагает связь каждого узла верхнего слоя со всеми узлами нижнего уровня. Существуют также древовидные и рекуррентные сети, содержащие обратные связи с произвольной структурой межнейронных соединений.
Персептронный нейрон. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае - нулю. Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов ( см. рис. 2.16), хотя в принципе описываются и более сложные системы.
Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Они представляют собой распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом.
Под нейронными сетями ( НС) подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Адаптируемые и обучаемые, они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом.
В этой работе впервые представлена формализованная модель искусственного нейрона и разработана теория ИНС как конечных автоматов, способных реализовывать психологические функции.
Вариантом реализации имитационной, бионической программы в ИИ стал нейробионический подход, приверженцы которого считают, что успешное воспроизведение интеллектуальных процессов невозможно без воспроизведения их материальных носителей, т.е. тех процессов, которые протекают в специальным образом организованной биологической ткани. Другими словами, основной целью этого подхода является создание искусственного мозга, структура и функционирование которого идентичны биологическому мозгу. В рамках нейробионического подхода ведутся исследования по разработке искусственных нейронов и построению на их основе структур, подобных биологическим.
В первый период кибернетического бума, пришедшийся на конец 50 - х и 60 - е гг., рождались новые научные дисциплины и направления, связанные с отображением и имитацией важнейших характеристик сложных естественных систем в искусственных системах. В сферу интересов бионики попадают автономные и гомеостатические системы, искусственные нейроны и эволюционные системы, искусственные конечности, управляемые биотоками, и биотехнические системы, когда в качестве одной или нескольких подсистем используются живые организмы.
Структура нейронной сети и структура алгоритма решения задачи, представленные в системе остаточных классов, обладают естественным параллелизмом. Выше изложенное позволяет сделать вывод о том, что алгоритмы функционирования вычислительных средств, представленных в системе остаточных классов, можно представить как алгоритмы нейроподобных вычислительных образований. По этой причине схемы в остаточных классах адекватны схемам, которые реализованы с помощью искусственных нейронов.

Еще в 40 - х гг. у исследователей возникла следующая мысль: если обработка информации в мозгу осуществляется совокупностью пороговых сумматоров, связанных в общую сеть, работающих по принципу все или ничего, то таким же свойством должна обладать и искусственная нейронная сеть, состоящая из соединенных в общую сеть искусственных нейронов. Впервые этот вопрос серьезно исследовали в 1943 г. У. В своей статье Логическое исчисление идей, относящихся к нервной деятельности они показали, что нервная система действительно может быть смоделирована с использованием искусственных нейронов, связанных между собой.
Нейронно-сетевой подход реализуется с помощью нейронных сетей, являющихся мощнейшим инструментом поиска закономерностей, прогнозирования, качественного анализа. Нейронные сети представляют собой самообучающиеся системы, имитирующие деятельность человеческого мозга. Они так же, как и мозг человека, состоят из большого числа связанных между собой однотипных элементов-нейронов, которые имитируют нейроны головного мозга. Искусственный нейрон состоит из синапсов, связывающих входы нейрона с ядром, ядро нейрона, которое осуществляет обработку входных сигналов, и аксона, который связывает нейрон с нейронами следующего слоя. Каждый синапс имеет вес, который определяет, насколько соответствующий вход нейрона влияет на его состояние. Многослойная нейронная сеть характеризуется топологией, свойствами узлов ( единичных нейронов), а также правилами обучения или тренировки для получения желаемого выходного сигнала. Каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя или, в случае первого слоя - со всеми входами нейронной сети.
В пятидесятые и шестидесятые годы группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования, сохранившуюся и в настоящее время. Минский, Розенблатт, Уидроу и другие разработали сети, состоящие из одного слоя искусственных нейронов. Часто называемые персептронами, они были использованы для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. В течение некоторого времени казалось, что ключ к интеллекту найден и воспроизведение человеческого мозга является лишь вопросом конструирования достаточно большой сети.
 
Loading...
Loading
на заглавную 10 самыхСловариО сайтеОбратная связь к началу страницы

© 2008 - 2017
словарь online
электро бритва
словарь
одноклассники
XHTML | CSS
Лицензиар ngpedia.ru
1.8.11