оорганізації мережі залежить від початкової структури з'єднань і обраного в якості математичної моделі алгоритму навчання (тренінгу)
o Стійкість до помилок. Штучна нейронна мережа вміє виділяти з потоку даних важливі властивості і посилювати їх, при цьому слабо реагуючи на випадкові, спотворені або зовсім нові дані (властивості). Таким чином, дані, що не несуть в собі повторюваних закономірностей (іншими словами, перешкоди), просто відкидаються нейронною мережею. Забезпечуючи тим самим стійкість до помилок.
o Робота в режимі реального часу і паралельна обробка інформації. Ці переваги нейронних мереж виявляються тільки в промисловому виконанні (коли кожен нейрон дійсно являє собою окремий процесор) і не можуть бути отримані при програмній емуляції нейронів.
Об'єднані (шляхом передачі сигналів з виходів одних штучних нейронів на входи інших) між собою нейрони утворюють штучну нейронну мережу (ІНС).
Існує багато варіантів побудови ІНС. Для їх класифікації використовуються наступні основні критерії:
1. тип нейронів, що складають мережу;
2. кількість шарів нейронів в мережі;
. напрямок передачі сигналів у мережі;
. вид навчальних вибірок;
. призначення мережі.
Мережа, що складається цілком з нейронів одного типу, називається однорідною, якщо ж у ній комбінуються шари нейронів різного типу, то вона - гібридна.
Мережа, всі нейрони якої розташовані в одній площині (тобто відсутня хоча б одна безпосередній зв'язок виходу одного нейрона з входом іншого), називається одношарової, інакше вона - багатошарова.
Мережа називається односпрямованої, якщо в ній відсутні зворотні зв'язки (тобто немає передачі сигналу з наступних шарів на попередні). Мережа із зворотними зв'язками називається рекуррентной.
Якщо для навчання мережі використовується стратегія з учителем і, то мережа називається гетероасоціативної. Якщо ж, то мережа - автоасоціативною. [3]
Основними ознаками для класифікації штучних нейронних мереж є архітектура і пов'язаний з нею алгоритм навчання. За цими ознаками штучні нейронні мережі можна класифікувати так, як це показано на рис 21.
Рис. 21. Класифікація нейронних мереж [1]
У цій класифікації можна відзначити кілька моментів.
o Навчання з учителем - клас штучних нейронних мереж, для якого заздалегідь відомий діапазон вихідних даних. У випадку, коли після перетворення вхідних даних та отримання вихідних даних останні не укладаються в заздалегідь задані діапазон значень, нейронна мережа отримує сигнали зворотного зв'язку і коригує свою структуру з метою зменшення помилки.
Приклад. При розпізнаванні зображень оператор (людина або електронний пристрій) повідомляє нейронної мережі, правильно чи ні, вона розпізнала зображення.
o Навчання без вчителя - клас штучних нейронних мереж, для якого діапазон вихідних значень не заданий і навчання мережі проводиться тільки на підставі закономірностей, виявлених у вхідних сигналах.
o Багатошаровий перцептрон - штучна нейронна мережа, що складається з
· вхідного шару нейронів, на які надходять вхідні сигнали;
· вихідного шару нейронів, передавального вихідні сигнали на інтерфейс користувача;
· прихованих шарів нейронів, розташованих між вхідним і вихідним шарами;
· механізму (або алгоритму) зворотного поширення, що забезпечує при настанні помилки (неспівпаданні вихідного сигналу з шаблоном) послідовну коригування всіх вагових коефіцієнтів зв'язків, починаючи з ближнього до вихідного прихованого шару і закінчуючи вхідним шаром, з метою усунення цієї помилки.
o Мережа з радіально-базисної функцією - штучна нейронна мережа, що має, крім вхідного і вихідного, один прихований шар і використовує як активационной функції нейронів прихованого шару радіально-базисну функцію (РБФ), яка в загальному вигляді виглядає так:
(16)
o Байєсова мережа - штучна нейронна мережа, що використовує в якості математичної моделі мережу Байєса, що зв'язує між собою безліч змінних (вагових коефіцієнтів) та їх імовірнісних залежностей (активаційних функцій).
o Самоорганізуючі карти Кохонена - штучні нейронні мережі, що здійснюють послідовне (у міру навчання) групування східних даних в плоскій системі координат таким чином, що до завершення навчання вузли, що містять подібні дані, розташовуються геометрично в безпосередній близьк...
