рення можуть одержати навчені аналогові нейрокомп'ютери (нейромережі) з фіксованою або незначно подстраиваемой структурою зв'язків - нейропроцесори.
Задача створення нейропроцесор_в зводиться до навчання цифрової нейромережевої моделі потрібного поведінці на звичайному цифровому комп'ютері.
Мережі також можна класифікувати за кількістю шарів. У цьому випадку важливу роль відіграє нелінійність активаційною функції, так як, якщо б вона не володіла даними властивістю або входила в алгоритм роботи кожного нейрона, результат функціонування будь n -шарової нейронної мережі зводився б до перемножування вхідного вектора сигналів П† на матрицю вагових коефіцієнтів. Тобто фактично така нейронна мережа еквівалентна одношарової нейромережі з ваговою матрицею єдиного шару W . Крім того, нелінійність іноді вводиться і в синаптичні зв'язки.
1.4 Структура і принципи роботи нейронної мережі
У якості моделі нейрона був обраний бінарний пороговий елемент, який обчислює зважену суму вхідних сигналів і формує на виході сигнал величини 1, якщо ця сума перевищує певне порогове значення, і 0 - в іншому випадку. До теперішнього часу дана модель не зазнала серйозних змін. Були введені нові види активаційних функцій. Структурна модель технічного нейрона представлена ​​на малюнку 1.3
В
Малюнок 1.3 Формальна модель штучного нейрона
На вхід штучного нейрона надходить деяка безліч сигналів, кожен з яких є виходом іншого нейрона, або вхідним сигналом нейромережевої моделі. Кожен вхід множиться на відповідну вагу, аналогічний синаптичної силі біологічного нейрона. Вага визначає, наскільки відповідний вхід нейрона впливає на його стан. Всі твори підсумовуються, визначаючи рівень активації нейрона s. Стан нейрона визначається за формулою. p>, (1.1)
де П† - Безліч сигналів, що надходять на вхід нейрона,
w i - вагові коефіцієнти нейрона.
Далі сигнал s перетвориться активаційною (Передавальною) функцією нейрона F у вихідний сигнал y . Математично це можна виразити формулою:
, (1.2)
де n - розмірність вектора входів,
w 0 - В«Нейронного зсувВ», що вводиться для ініціалізації мережі, - підключається до незмінного входу +1,
F - активаційна функція нейрона.
Нейрони можуть групуватися в мережеву структуру різним чином. Функціональні особливості нейронів і спосіб їх об'єднання в мережеву структуру визначає особливості нейромережі. Для вирішення завдань ідентифікації та управління найбільш адекватними є багатошарові нейронні мережі (МНС) прямої дії або багатошарові персептрони. При проектуванні МНС нейрони об'єднують в шари, кожен з яких обробляє вектор сигналів від попереднього шару. Мінімальною реалізацією є двошарова нейронна мережа, що складається з вхідного (Розподільного), проміжного (прихованого) і вихідного шару. <В
Малюнок 1.4 Структурна схема двошарової нейронної мережі. br/>
Реалізація моделі двошарової нейронної мережі прямої дії має наступне математичне представлення:
, (1.7)
де n П† - розмірність вектора входів П† нейронної мережі;
n h - число нейронів у прихованому шарі;
Оё - вектор параметрів, що настроюються нейронної мережі, що включає вагові коеффіціеніи і нейронні зсуву ( w ji , W ij )
f j ( x ) - активаційна функція нейронів прихованого шару;
F i ( x ) - активаційна функція нейронів вихідного шару.
Персептрон являє собою мережу, що складається з декількох послідовно з'єднаних шарів формальних нейронів (малюнок 1.3). На нижчому рівні ієрархії знаходиться вхідний шар, що складається з сенсорних елементів, завданням якого є тільки прийом і розповсюдження по мережі вхідної інформації. Далі є один або, рідше, кілька прихованих шарів. Кожен нейрон на прихованому шарі має кілька входів, з'єднаних з виходами нейронів попереднього шару або безпосередньо зі вхідними сенсорами П† 1 .. П† n , і один вихід. Нейрон характеризується унікальним вектором параметрів, що настроюються Оё . Функція нейрона полягає в обчисленні зваженої суми його входів з подальшим нелінійним перетворенням її у вихідний сигнал:
1.5 Навчання нейронної мережі
Наступний етап створення нейромережі - це навчання. Здатність до навчання є основною властивістю мозку. Для штучних нейронних мереж під навчанням розуміється процес налаштування архітектури мережі (структури зв'язків між нейронами) і ваг синаптичних зв'язків (що впливають на сигнали коефіцієн...
