Невронни мрежи, уики програмиране магазин

Невронни мрежи - компютър емулация на работата на мозъчните неврони. Долната линия е, че емулирания неврон - е един вид на математическа функция, на входа на който се подава към данните (първични или изхода на други неврони) и изходни функции могат да бъдат приложени към други изкуствени (емулирани) неврони и обработена. По този начин, чрез свързване към мрежата на няколко неврони, ние можем да намерим модели в различни набори от данни, например, да се предскаже серията номер (времето, борсови котировки, и така нататък). Това обаче не се ограничава само до използване на невронни мрежи. NA може да се използва за разпознаване на образи, в контролни проблеми и дори за компресиране на данни.

Това, обаче, е много ясно, че невронни мрежи може и какво не може. Ако проблемът не се свежда до това, че на входа на определени данни, които по някакъв начин трябва да магически съответстват на изхода се определи на базата на ключ данни> стойност, а просто искате да се намери стойност, а след това тези проблеми могат да бъдат решени чрез невронни мрежи. Например, разпознаване на образи, прогноза за времето или за борсови котировки. В този случай, тук отново имаме работа с такава кореспонденция дентно> стойност, и ние знаем, ключът, но не се знае стойността. В случай на, например, борсови котировки като ключово застъпник няколко предишни стойности, както и ценности - това, което ние го прогнозират. Но това е съвсем друго нещо, когато ние, например, че е необходимо да се изчисли квадратен корен или на план за действие в определена ситуация. Тези проблеми не са решаване на невронната мрежа. Това означава, че невронната мрежа не е ефективен, когато нужда точен резултат, или при необходимост по процедурни знания.

Невронни мрежи са един от най-перспективните направления за развитие на изкуствения интелект. Тук служи като основа на принципа на организация на нервната система на едно живо същество. Теоретично е възможно да се симулира дори на човешкия мозък. На практика обаче, това се прави в момента не е реален, защото човешкият мозък съдържа 11 октомври неврони. Всеки неврон се състои от дендрити, сомата и аксон.

Дендрити - на дендритни шипове, които позволяват събиране на информация от други неврони или рецептори. нервните клетки тяло нарича сомата. Тя подложени на сложни биохимични процеси, чрез които се случват комплекс нелинейно преобразуване на сигнала. Axon - клетъчен процес, при който изходният сигнал се подава към дендритите. Тя е разделена на множество влакна. Кръстовището с дендрид аксона нарича синапс.

Сигнали посадъчен в невронна мрежа са къси електрически импулси. Под влиянието на потенциалните промени в самите неврони. По времето, когато те достигнат определена прагова стойност се генерира импулс, която се разпространява заедно аксон. Soma потенциал намалява освобождаване неврон. След известно време, неврон може отново да генерира импулс. Ако импулсите, които попадат в синапса се увеличи потенциала сом, това възбуждане сигнал. натискане на спирачките - ако да падне.

В изграждането на изкуствена невронна мрежа (Ан), моделът е обикновено по-лесно. В момента има няколко модела на неврони. И така, помислете за модел на McCulloch и Питс:

което се изразява с формулата:

където г () - функция неврон трансформация, θi - прагова стойност, п - брой на неврони входове. За модел на невронна мрежа McCulloch - Pitts функция г () може да се изрази с формулата:

Тази функция се нарича функция H (ф) Heaviside.

По този начин, ако сумата от входовете умножават по коефициентите надвишава θ, неврона на изхода се получи 1, в противен случай 0. Трябва да се отбележи, че само на изходния сигнал на неврон може да се промени в дискретни моменти от време.

Функция, която определя метода за комбиниране на входните функции, наречени мрежа или база функция. Тя посочи мрежа. Сега ние се демонтира само частен случай на такава функция:

В действителност, мрежовите функции и функции за преобразуване на неврона могат да бъдат различни, например, квадратното мрежа

Може би най-общо екзотичен вид на продукта. Но най-често се използва сумиране.

Сега нека да поговорим за функциите за трансфер. Те се наричат ​​също функции активатор. Тъй като функцията трансформира може да се използва функция стъпка:

линейна функция с насищане:

и накрая, Gaussian функция:

където в и σ - постоянни коефициенти.

Ако функцията за линейна мрежа, както и скоростта на функция за превключване и знак, а след това тези неврони се наричат ​​линейни и невронна мрежа въз основа на тези невронни мрежи с линейни прагови елементи. Сигналите разпределени в тези мрежи, са двукомпонентни и може да бъде 0 или 1, или 1 и 1. Ако функцията мрежа е линейна и функцията на преобразуване сигмоидна (биполярно или еднополюсен), такива невронни мрежи са наречени невронни мрежи с линейно непрекъснати елементи. Сигнали те поемат произволни стойности от 0 до 1 или от -1 до 1.

Помислете за пример. Да предположим, че има праг неврон с прага на 2 и тегло 1. Такава неврон ще служи като "I" (в случай на стъпаловидно функция преобразуване)