німізувати помилку прогнозу на навчальній множині. Якщо мережа навчена добре, вона набуває здатності моделювати (невідому) функцію, що зв'язує значення вхідних і вихідних змінних, і згодом таку мережу можна використовувати для прогнозування в ситуації, коли вихідні значення невідомі.
6. Класифікація нейронних мереж
Існує широкий спектр досить універсальних способів організації інструментальних засобів і власне процесу застосування нейронних мереж на різній програмно-апаратної базі. Завжди можна підібрати найбільш оптимальний для деякої задачі? все визначається властивостями завдання та вимогами до рішення.
Однак застосування нейромереж ускладнюється рядом причин. Не можна придумати якусь одну універсальну ІНС, яка б підійшла для різних типів завдань. Нейросе-ти використовують у двох варіантах:
) Будується нейросеть, вирішальна певний клас завдань,
) Під кожен екземпляр завдання будується деяка нейросеть, находящая квазі-оптимальне рішення цієї задачі.
Існують декілька видів нейромереж. Їх класифікація представлена ??на малюнку 2.
Рис.4 Класифікація ІНС
Найбільш поширеним сімейством мереж прямої дії є багатошарові персептрони, в них нейрони розташовані шарами і з'єднані односпрямованим зв'язками, що йдуть від входу до виходу мережі. Мережі прямої дії є статичними в тому сенсі, що на заданий вхід вони виробляють одну сукупність вихідних значень, що не залежать від попереднього стану мережі.
Рекурентні мережі є динамічними, тому що в силу зворотних зв'язків у них модифікуються входи нейронів, що призводить до зміни стану мережі. Поведінка рекурентних мереж описується диференціальними або різницевими рівняннями, як правило, першого порядку. Це набагато розширює області застосування нейромереж і способи їх навчання. Мережа організована так, що кожен нейрон отримує вхідну інформацію від інших нейронів, можливо, і від самого себе, і від навколишнього середовища.
Так само можна виділити два основні підходи до реалізації нейромереж: цифровий та аналоговий. Перевагою аналогових реалізацій є: висока швидкодія, надійність і економічність. Проте сфера можливого масового використання учнів аналогових нейрочипов досить вузька. Це обумовлено великою складністю апаратної реалізації високоефективних навчальних алгоритмів і необхідністю спеціальної підготовки потенційних користувачів для оптимальної організації адаптивного процесу. У той же час широке поширення можуть одержати навчені аналогові нейрокомп'ютери (нейромережі) з фіксованою або незначно подстраиваемой структурою зв'язків - нейропроцесори.
Завдання 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 активационной функції, так як, якби вона не володіла даними властивістю або не входила в алгоритм роботи кожного нейрона, результат функціонування будь n-шарової нейронної мережі зводився б до перемножування вхідного вектора сигналів? 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.
7. Структура і принципи роботи нейронної мережі
У якості моделі нейрона був обраний бінарний пороговий елемент, що 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 3.
Рис.5 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.
де?- Безліч сигналів, що надходять на вхід нейрона, wi - вагові коефіцієнти нейрона. Далі сигнал s перетворюється активационной (передаточної) функцією нейрона F у вихідний сигнал y.
Математично це можна виразити формулою:
де n - розмірність вектора входів, w0 - нейронів з...
