15. Нейрон, нейронные сети, основные понятия

Нейрон (формальный, искусственный) — элементарный преобразующий элемент, как составная часть нейросети , в свою очередь, состоит из элементов трех типов и выполняет две основные функции — взвешенное суммирование и нелинейное преобразование. Элементы нейрона — умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами, умножают вход­ной сигнал ( x_j ) на число, характеризующее силу связи, — вес синапса ( w_j ). Сумма­тор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов и внешних входных сигналов. Нелинейный преобразователь выполняет нелинейную функцию одного аргумента — выхода сумматора. Таким образом, нейрон в целом реализует скалярную функцию векторного аргумента.  Функционирование нейрона можно разбить на два такта (в соответствии с двумя его функциями): 

1. В сумматоре вычисляется величина возбуждения, полученного нейроном, 

2. Возбуждение пропускается через преобразующую (активационную) функцию f(•), в результате чего определяется выходной сигнал      Рис. 13.2. Структурная схема нейрона 

16. Классификации нейронных сетей

Не ограничивая общности, можно считать, что нейроны в сети расположены слоями. Обычно выделяют входной слой, на который подается возбуждающий сигнал, выходной слой, с которого снимают переработанный сетью сигнал, а все остальные слои называют скрытыми (поскольку они не видны пользовате­лю). Очевидно, что для адекватного решения задачи функционирования сети нужно правильно выбрать значения весов связей между нейронами — обучить сеть. 

Возможны несколько типов классификации существующих нейросетей. Наиболее часто используются следующие: 

по типу входной информации:

  сети, анализирующие двоичную информацию;  сети, оперирующие с действительными числами; 

по методу обучения: 

сети, которые для того чтобы удовлетворять поставленным критериям требуют предварительного обучения перед включением их в реальную обстановку, — модели с учителем;  сети, не требующие предварительного обучения, способные самообучаться (совершенствовать свои характеристики) в процессе работы; 

по характеру распространения информации: 

однонаправленные сети, в которых информация распространяется только в одном направлении от одного слоя элементов к другому;  рекуррентные сети, в которых выходной сигнал элемента может вновь по ступать на этот элемент и другие элементы сети этого же или предыдущих слоев в качестве входного сигнала (сети с обратными связями); 

по способу преобразования входной информации:  автоассоциативные ; гетероассоциативные .

Они отличаются следующим. На всей сети или на одном ее слое задаются в определенный момент времени исходные состояния нейронов x =( x ₁ , x ₂ ,…, x_n ) то есть задается входной образ. Затем этот образ трансформируется в соответствии с функциями преобразования элементов. Информация распространяется по сети, происходит ее обработка. В однонаправленных сетях информация распространяется от слоя к слою, и выходной слой выдает результирующий вектор y =( y ₁ , y ₂ , …, y_m ) . (В однослойных сетях происходит стабилизация сети в одном из состояний.) После этого считываются значения узлов сети, представляющих выходной вектор. Возможны два варианта:  х ≠ у — гетероассоциативная сеть, осуществляющая отображение входного вектора х в выходной вектор у;  входной вектор х представляет искаженный или сжатый образ эталона x _>0 . Такая сеть называется автоассоциативной .  Выходной вектор, получающийся в результате работы нейросети, характеризует состояние элементов сети. Смысл, который имеют значения этого вектора, определяется в зависимости от решаемой проблемы.