Классификация искусственных нейронных сетей

Формальные нейроны объединяются в искусственную нейронную сеть (ИНС), которая может быть реализована, как программно, так и аппаратно. Во втором случае формальные нейроны представляют собой отдельные процессоры, а вся ИНС - нейрокомпьютер на основе транспьютерной системы. Общая классификация ИНС приведена на рисунке 2.3.

Классификация искусственных нейронных сетей

Рис. 2.3. Классификация искусственных нейронных сетей

Чаще всего объединение формальных нейронов в ИНС производится послойно. В первый слой входят нейроны, на синапсы которых подается вектор входных параметров Х0. Каждый нейрон генерирует на аксоне сигнал, который в совокупности с выходными сигналами других нейронов этого уровня образуют вектор Хь подаваемый на входные синапсы нейронов второго слоя и т.д. Нейроны последнего слоя на своих аксонах генерируют сигналы, образующие вектор Y выходных сигналов ИНС. Отсюда следует, что количество нейронов последнего слоя равно мощности выходного сигнала, который должен быть сгенерирован ИНС.

По количеству слоев ИНС разделяют на однослойные и многослойные.

Другим классификационным признаком ИНС является наличие в их структуре обратных связей, т.е. соединений, идущих от выходов некоторого слоя к входам этого же слоя или предшествующих слоев. В случае отсутствия таких связей ИНС называют сетями без обратных связей, или сетями прямого распространения, в противном случае - сетями с обратными связями.

Третьим не менее важным классификационным признаком является принцип ее обучения (настройки). Возможность обучения, одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Сеть обучается, чтобы для некоторого входного вектора X сформировать желаемый (или, по крайней мере, сообразный с ним) выходной вектор Y. Технически обучение заключается в определении значений весовых коэффициентов и пороговых уровней нейронов. По этому классификационному признаку ИНС делятся на сети, обучаемые с учителем, сети, обучаемые без учителя, и встречного распространения, часть слоев которых обучается без учителя, а часть - с учителем.

Обучение с учителем предполагает, что в режиме настройки существует обучающее множество, состоящее из пар входных и соответствующих им выходных (целевых) векторов. В режиме обучения на вход ИНС предъявляется вектор X, вычисляется выход сети и определяется разность между ним и целевым вектором, которая в свою очередь определяет величину корректировки значений весовых коэффициентов и порогового уровня нейронов ИНС. Векторы обучающего множества предъявляются последовательно, при этом вычисляются ошибки, и корректируются веса до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня. ИНС, использующую метод обучения с учителем, называют персептроном.

При обучении без учителя обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, то есть чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. В процессе обучения выделяются статистические свойства обучающего множества, и происходит группирование сходных входных векторов.

Еще одним классификационным признаком является назначение ИНС. Согласно этому признаку все сети делят на прогнозирующие {расчетные), классифицирующие

{группирующие) и ассоциативные. Последние используются при решении задач распознавания образов.

На рисунке 2.4 представлены основные виды ИНС.

  • • Многослойный персептрон (MLP) (рисунок 2.4), представляющий собой многослойную сеть с наличием или без обратных связей, обучаемую с учителем для решения задач прогнозирования.
  • • Сеть Кохонена (рисунок 2.4). Однослойная нейронная сеть без обратных связей, обучаемая без учителя, для решения задач классификации.
  • • Сеть с использованием радиальной базисной функции (RBF сеть) (рисунок 2.4,в). Обучаемая без учителя двухслойная (без обратных связей) ИНС, используемая в задачах классификации и прогнозирования.
  • • Обобщенно-регрессионная ИНС (GRNN) (рисунок 2.4,г). Многослойная нейронная сеть без обратных связей, обучаемая по принципу встречного распространения (представляет собой объединение сетей RBF и MLP); используется для решения задач прогнозирования.
  • • Сеть Хопфилда (рисунок 2.4,д), представляющая собой простейшую ассоциативную многослойную сеть с обратными связями, обучаемую без учителя.

Входы

д) Рис. 2.4. Виды искусственных нейронных сетей

a) MLP; б) сеть Кохонена; в) RBF сеть; г) GRNN сеть; д) сеть Хопфилда

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >