28. Интерпретатор нейросетевого блока

функции интерпретации выходного сигнала НС:

1 - восстановление данных – преобразование из нормализованных в исходные значения

2 - семантическое представление выходных данных, преобразование данных из числового значения в слова, в др. размерность;

3 – графическое представление данных

4 – аудио, видеопредставление

5 – объяснительный компонент – объяснение результатов.

29 Блок «Учитель» нейроимитатора

НС обучается с учителем, если присутствуют выходные параметры. В рез-те работы блока учитель формир-ся ф-ция регрессии.

При создании новой НС в памяти отводится место под массив синаптических весов. Перед началом обучения этот массив заполняется случ-ми числами в нормиров-ом диапазоне. Этот массив наз-ся синаптической картой. В нач. момент времени на входные нейроны через вход синапсы подается вектор вх. сигналов. Далее этот сигнал распро-ся по всем связям м/у нейронами, изменяясь при прохождении через каждый нейрон. В рез-те сигнал поступает на выход. Т.к. НС обуч-ся с учителем, мы имеем необходимый выходной параметр, с которым и сравниваем полученный случ-й У. (Вся процедура однократного прохождения сигналов по НС наз-ся тактом функц-я). Задача блока Учитель состоит в проведении сравнения и по результатам оценки модификации соответствующих коэффициентов, используя методы оптимизации. Пример сети, обуч-ой с уч-лем – перцептрон.

30 Блок «Оценка»

Обучение НС на нек-ом задачнике означает мин-ю функционала невязки м/у вых-ми сигналами сети и сигналами, кот-е треб-ся получить. Для этого и служит блок оценки. При мин-и функционала оценки производ-ся подстройка обучаемых пар-ров (семантич-их коэф-в), чтобы функционал оценк достиг мин-ма. Н=|Yi – Yi⁰| -> min. Для минимизации функц-ла исп-ся градиентные методы нелин-го прогр-я (метод наискорейшего спуска, модифицированный Parton и т.д.) При обучении нейросети все эти методы объединены в группу методов обратного распр-я ошибки. При составлении прогр-мы обучения сети градиентными методами в кач-ве станд. оценки работы НС (ф-ции ошибки) выступает оценка по методу наим. квадратов.

Н=1/S*_s[_p(F_s^p(a,x_s) - y_s^p)], где

Н – оценка работы нейросети,

F_s^p(a,x_s) – значение р-й компоненты вектора выходн сигнала НС,

a,x_s - векторы,

y_s^p – исходное значение,

s – число примеров,

p – размерность вых-го сигнала.

Кроме этого метода исп-ся спец. методы оценки. Например, оценка расстояния до множества правильных ответов.

31 Блок «Сеть» нейроимитатора

Привести общую стр-ру. РИС

Сеть- связанные м-у собой нейроны. Искусственная нейронная сеть – некот-е выч-е электр-е устр-ва обработки информации, состоящие из большого числа параллельно работиющих простых процессорных элементов – нейронов, связанных м/у собой линиями передачи информации – связями или синапсами. Бывают двух видов: слоистые и полносвязные. см. вопрос №24.

32 Блок «Конструктор»

Консутруктор НС – формирует ее структуру, начиная с минимальной до достаточной сложности, обеспечивающей требуемые параметры обучения, т.е наилучшую оценку.

При проектировании интелл. компонентов важным этапом является настройка структуры НС на ПО и на пар-ры обучающей выборки. Под выбором стр-ры в случае многослойной сети прямого распр-я понимается определение числа слоев k и числа нейронов mk в каждом слое. Слои нумеруются от слоя, принимающего вход. сигналы к слою, формирующему вых. сигналы.

Конструирование сети- процесс последоват. формирования стр-ры, начиная с 1 слоя, 1 нейрона до слоя k и нейрона mk. При этом должна быть достигнута заданная точность решени задачи.

(Берется один нейрон, нач-ся обуч-е, добавл-ся нейрон, еще обуч-тся. Нейроны добавляются пока не достигнута заданная ошибка).

33. Блок «Констрастер»

Назначение контрастера - сводить число связей сети до минимально необходимого, но обеспечивающего заданную точность или оценку. При этом также уменьшается и число нейронов сети.

Упрощение НС строится как последовательный процесс исключения из сети наименее значимого элемента и последующего ее дообучения. При контрастировании решаются следующие задачи:

- упрощение архитектуры НС

- уменьшение числа входных сигналов

- получение явных знаний из данных

- получение логически прозрачных НС