Основные компоненты искусственной нейронной сети

 

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. Он обладает группой

синапсов – однонаправленных входных свзей, соединенных с выходами других нейронов, а также имеет

аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Общий вид нейрона на рис. 2.4. Здесь множество входных сигналов обозначены вектором X. Каждый вес w, соответствует «силе» одной биологической синаптической связи. Множество весов в совокупности обозначается вектором W.

 

Рис. 2.4. Искусственный нейрон

 

Нейронная сеть является совокупностью элементов, соединенных некоторым образом так, чтобы между ними обеспечивалось взаимодействие.

Эти элементы, называемые также нейронами или узлами, представляют собой простые процессоры, вычислительные возможности которых обычно ограничиваются некоторым правилом комбинирования входных сигналов и правилом активизации, позволяющим вычислить выходной сигнал по совокупности входных сигналов.

Выходной сигнал элемента может посылаться другим элементам по взвешенным связям, с каждой из которых связан весовой коэффициент или вес. В зависимости от значения весового коэффициента передаваемый сигнал или усиливается, или подавляется.

 

Структура связей отражает детали конструкции сети, а именно то, какие элементы соединены, в каком направлении работают соединения, и каков уровень значимости (т.е. вес) каждого из соединений. Задача, которую понимает сеть (или ее программа), описывается в терминах весовых значений связей, связывающих элементы.

Структура связей обычно определяется в два этапа:

сначала разработчик системы указывает, какие элементы должны быть связаны, и в каком направлении, а затем в процессе фазы обучения определяются значения соответствующих весовых коэффициентов.

Весовые коэффициенты можно определить и без проведения обучения, но как раз самое большое преимущество нейронных сетей заключается в их способности обучаться выполнению задачи на основе тех данных, которые сеть будет получать в процессе реальной работы.

Существует множество различных типов нейронных сетей, обладающих рядом общих характеристик, которые можно представить с помощью следующих абстракций:

• элемент сети;

• структура связей;

• правило распространения сигналов в сети;

• правило комбинирования входящих сигналов;

• правило вычисления сигнала активности;

• правило обучения, корректирующее связи.

 

 

Структура связей отражает то, как соединены элементы сети.

В одной модели (т.е. для одного типа сетей) каждый элемент может быть связан со всеми другими элементами сети,

в другой модели элементы могут быть организованы в некоторой упорядоченной по уровням (слоям) иерархии, где связи допускаются только между элементами в смежных слоях,

а в третьей - могут допускаться обратные связи между смежными слоями или внутри одного слоя, или же допускаться посылка сигналов элементами самим себе.

Каждая связь определяется тремя параметрами:

-элементом, от которого исходит данная связь,

-элементом, к которому данная связь направлена,

-и числом (обычно действительным), указывающим весовой коэффициент (т.е. вес связи).

Отрицательное значение веса соответствует подавлению активности соответствующего элемента, а положительное значение - усилению его активности. Абсолютное значение весового коэффициента характеризует силу связи.