Боровиков В.П. - Нейронные сети (778916), страница 13

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 13)

Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироааться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации). Интенсивность сигнала, получаемого нейроном (следовательно, и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет протяженность, и специальные химические вещества передают сигнал вдоль него. Один из самых авторитетных исследователей нейросистем Дональд Хсбб высказал постулат, что обучение заключается, в первую очередь, в изменениях «силы» синаптичсскнх связсй. Например, в классическом опыте Павлова каждый раз непосредственно перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика 72 Гпава 4. Общая обзор небронных оетеб с пищей.

Синаптическис связи между участками коры головного мозга, ответственнымн за слух, и слюнными железами усилились, и при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение. Таким образом, будучи построен из очень большого числа совсем простых элементов (каждый из которых берет взвешенную сумму входных сигналов и в случае, сели суммарный вход превышает определенный уровень, передает дальше двоичный сигнал), мозг способен решать чрезвычайно сложные задачи. Разумеется, мы нс затронули здесь многие сложные аспекты устройства мозга, однако интересно то, что искусственные нейронные сети способны достичь замечательных результатов, используя модель, которая не намного сложнее, чем описанная выше.

БАЗОВАЯ ИСКУССТВЕННАЯ МОВЕПЬ Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона дается следующим образом: ° Он получает входные сигналы (исходные данные или выходные сигналы других нейронов сети) через несколько входных каналов. Каждый входной сигная проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвсшенная сумма входов, из нее вычитается пороговос значение и в результате получается величина активации нейрона (она также называется постсинаптичсским потенциалом нейрона — РБР).

Сигнал активации преобразуется с помощью функции активации ~или передаточной функции) и в результате получается выходной сигнал нейрона. Если при этом использовать ступенчатую функцию активации ~т.е. выход нейрона равен нулю, ссли вход отрицательный, и единице, ссли вход нулевой или положительный), то такой нейрон будет работать точно так жс, как описанный выше естественный нейрон (вычесть пороговое значение из взвешенной суммы и сравнить результат с нулем — это то жс самос, что сравнить взвешенную сумму с пороговым значснием).

В дсйствительности, как мы скоро увидим, пороговые функции редко используются в искусственных нейронных сетях. Учтите, что веса могут быть отрицательными, — это значит, что сицапс оказываст на нейрон нс возбуждающее, а тормозящее воздействие (в мозге присутствуют тормозящие нейроны). Это было описание отдельного нейрона. Теперь возникаст вопрос: как соединять нейроны друг с другом? Если сеть предполагается для чсго-то использовать, то у нес должны быть входы (приннмающис значения интересую- 73 Нейронные сев!о ЗТАТ!ЗТ!СА Неога! Неаеог!ге ших нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Входы и выходы соотвстствуют сенсорным н двигательным нервам, например, идущим соответственно от глаз и к рукам.

Кроме этого, однако, в сети может быть еще много промсжуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой. Ключевой вопрос здесь — обратная связь (НауЫв, 1994). Простейшая сеть нмсст структуру прямой передачи сигнала; сигналы проходят от входов через скрытыс элементы и, в конце концов, приходят на выходные элементы.

Такая структура имеет устойчивое повсдение. Если же сеть рскуррентная (т.с. содержит связи, ведущис назад от более дальних к более ближним нейронам), то она может быть неустойчива и иметь очень сложную динамику поведения. Рсггуррснтныс сети представляют большой интерес для исследователей в области нейронных сетей, однако, при решении практических задач, по крайней мере до снх пор, наиболес полезными оказались структуры прямой псредачи, и именно такой тип нейронных сетей моделируется в пакетс о'Т Книга! 1Че!нгог!гк. Типичный пример сети с прямой передачей сигнала показан на рис. 4.1.

Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значсний входных переменных. Каждый нз скрытых и выходных нейронов сосдипсн со всеми элементами предыдущего слоя. Можно было бы рассматривать сети, в которых нейроны связаны только с некоторымн из нейронов предыдущего слоя; однако, для большинства приложений предпочтительны сети с полной системой связей, которые реализованы в пакете ЮТ Меити! Не!кот!гя.

При работе (использованни) сети во входные элементы подаются значения входных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нес пороговое значение. Затем значение активации нрсобразустся с помощью функции активации н в рсзультате получается выход нейрона. После того, как вся есть отработает, выходные значения элсмснтов выходного слоя принима!отея за выход всей ости в целом.

74 Гпеее 4 Общий обзор небронных сваей ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ Возникаст следующий важный вопрос: как применить нейронную сеть к решению конкретной задачи? Класс задач, которые можно решить с помощью нсйронной сети, определяется тем, как сеть работает и как она обучается. Таким образом, сеть можно примснять в ситуации, когда имеется определенная известная информация, и вы хотитс нз нес получить некоторую пока неизвестную информацию (Равсгяоп, 1996; Гацяс11, 1994). Вот некоторые важные примеры задач, в которых были успешно реализованы нейросетевые методы.

Распознавание состояния бопьного Применение классичсских статистических мстодов для решения этой задачи описано еще в работах Неймана. С помощью медицинской аппаратуры можно наблюдать за различными показателями состояния здоровья человека (например, частотой пульса, содсржанием различных веществ в крови, частотой дыхания). Стадии возникновения некоторой болезни может соответствовать определенная и весьма сложная (например, нелинейная и взаимозависимая) комбинация изменений наблюдаемых переменных, которая может быть обнаружена с помощью нсйросстевой модели.

Прогнозирование на фонцовом рынке Колебания цсн на акции и фондовых индексов — еще один пример сложного, многомерного, но в определенных ситуациях частично прогнозируемого явления. Многие финансовыс аналитики используют нейронные ссти для прогнозирования цен акций на основе многочисленных факторов, например, прошлого повсдсния цен этих и других акций в совокупности с разлнчнымн другими экономическими показателями.

В качествс альтернативных вариантов здесь применяются модели авторсгрессии и тсхничсский анализ. Прецоставпение крецита Как правило, у банка имеется большой набор сведений о человеке, обратившемся с просьбой о предоставлении кредита. Это может быть его возраст, образование, род занятий и многие другие данные. Обучив нейронную сеть на уже имеющихся данных, аналитик определяет наиболсе сущсствснныс характеристики и на их основе относит данного клиента к категории с высоким илн низким кредитным риском.

Заметим, что для решения подобных задач можно параллельно использовать и классические статистпчсскнс методы, такие как дискриминантньп1 анализ и деревья классификации. Неарснные сев«. ЗТА ПЗТ!СА Не«га! Н«1аожа Системы спежения за сосп1оянием оборудования Нейронные сети оказались полезны как средство контроля состояния производственного процесса и состояния оборудования.

Нейронная сеть может быть обучена так, чтобы отличать шум, который издает машина при нормальной работе («ложная тревога») оттого, который является предвестником нсполадок. После такого обучсния нейронная сеть может предупреждать инженеров об угрозе поломки до того, как она случится, и тем самым исключать неожиданные и дорогостоящие простои. управпение рабопзод двигагпепя Нейронныс сети используются для анализа сигналов от датчиков, установленных на двигателях. С помощью нейронной сети можно управлять различными параметрами работы двигателя, чтобы достичь определенной цели, например, уменьшить потреблснис 1орючего.

Характеристики

Список файлов книги