АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Архітектура нейромереж

Читайте также:
  1. Архітектура
  2. Архітектура
  3. АРХІТЕКТУРА
  4. АРХІТЕКТУРА І МИСТЕЦТВО
  5. Архітектура і образотворче мистецтво Русі.
  6. Архітектура італійського Відродження
  7. Архітектура й образотворче мистецтво
  8. АРХІТЕКТУРА Й ОБРАЗОТВОРЧЕ МИСТЕЦТВО ДРУГОЇ ПОЛОВИНИ XVIII ст.
  9. Архітектура Київської Русі. Собор святої Софії.
  10. Архітектура мікропроцесорів
  11. Архітектура ОС

У процесі розроблення нейромереж автори наділяють штучні нейрони різноманітними властивостями з тим, щоб комп'ютерні нейромережі адекватно відображали можливості біологічних нейромереж стосовно розв'язання певного типу про­блем, що зумовило появу великого різноманіття підходів до ал­горитмів нейромереж, зокрема штучні нейрони можуть бути з різ­ними передавальними функціями, з різними функціями стану, двійковими, цілочисельними, дійсними та іншими числовими значеннями входів і ваг. Тому в термінах нейронних мереж мож­на описувати алгоритми розв'язання як добре формалізованих задач, наприклад задач математичної фізики, так і задач розпізна­вання, що погано формалізуються, класифікації, узагальнення і асоціативного запам'ятовування.

Мережі можуть бути такими, що конструюються або що на­вчаються. У мережі, що конструюється, кількість і тип нейро­нів, граф міжнейронних зв'язків, ваги входів нейронів визнача­ються за створення мережі, виходячи із задачі, що розв'язується. Наприклад, за конструювання мережі Хопфілда, що функціонує як асоціативна пам'ять, кожна вхідна послідовність із заздалегідь визначеного певного ряду бере участь у визначенні ваги входів нейронів мережі. Після етапу конструювання функціонування мережі полягає в наступному. За подачі на входи часткової або помилкової вхідної послідовності мережа через якийсь час пере­ходить в один зі стійких станів, передбачених за її конструюван­ня. При цьому на входах мережі з'являється послідовність, що визнається мережею як найближча до спочатку поданої. Кіль­кість вхідних послідовностей — М, що запам'ятовуються, пов'язана з кількістю нейронів у мережі співвідношенням: M<N/41ogN, де N — кількість нейронів.

У мережах, що навчаються, графи міжнейронних зв'язків і ва­ги входів змінюються за виконання алгоритму навчання. За алго-


ритмом навчання мережі поділяться на ті, що спостерігаються, ті що не спостерігаються і змішані (комбіновані). Перші у разі на­вчання порівнюють заздалегідь відоме значення виходу із фактич­ним вихідним значенням. Якщо відмінність між виходом мережі і відомим значенням суттєва, то виконується корегування ваг ме­режі. Такий алгоритм називається зворотним розповсюдженням {Back Propagation) помилки в зворотному напрямку по мережі.

Другі навчаються, не знаючи заздалегідь правильних вихідних значень, але групуючи «близькі» вхідні вектори так, щоб вони формували той самий вихід мережі. Навчання, що не спостеріга­ється, використовується, зокрема, для розв'язання задач класте-ризації. За змішаного алгоритму навчання частина ваг визнача­ється методом навчання, що спостерігається, а решта — за навчання, що не спостерігається.

На даний час використовується кілька типів архітектур ней-ромереж. Найчастіше в дейтамайнінгу використовується бага­тошаровий персептрон, як об'єднання простих нейронів у бага­тошарову штучну нейромережу. Всередині кожного ввідні вер­шини з'єднуються з вивідними вершинами через один або більше невидимих шарів (рівнів). Ввідні вершини графа нейромережі утворюють нейрони вхідного рівня, які за аналогією з біологіч­ною нейромережею назвемо рецепторними нейронами (або прос­то — рецепторами), а вихідні вершини утворюють вершини ви­хідного рівня — ефекторні нейрони (ефектори).

Найбільшу популярність отримали трьохшарові персептрони, що включають вхідний рівень, кількість нейронів якого дорівнює кількості параметрів, що вводяться в нейромережу (наприклад, за прогнозування це число спостережень у певному ряді даних), ви­хідний рівень, кількість нейронів якого дорівнює кількості пока­зників на виході (якщо прогнозуємо скалярну величину, то це одиниця) та середній (внутрішній) рівень (приховані, невидимі нейрони).

Кількість прихованих нейронів може бути довільною, проте є обґрунтовані рекомендації щодо вибору даного числа: кількість нейронів внутрішнього рівня має дорівнювати півсумі кількостей вхідних і вихідних нейронів. Кожний внутрішній нейрон має бу­ти зв'язаним з виходами всіх вхідних нейронів, а кожний вихід­ний нейрон — з виходами всіх нейронів внутрішнього шару.

У практиці дейтамайнінгу використовуються й інші типи ней-ромереж, зокрема, ймовірнісні нейромережі PPN (Probabilistic Neural Network), докладні описи яких можна знайти у спеціальній літературі.


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 | 102 | 103 | 104 | 105 | 106 | 107 | 108 | 109 | 110 | 111 | 112 | 113 | 114 | 115 | 116 | 117 | 118 | 119 | 120 | 121 | 122 | 123 | 124 | 125 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.)