Распознавание с помощью нейронной сети

Данные алгоритмы являются попыткой моделирования способности человеческого мышления, в частности, способности обучаться и решать задачи распознавания по прецедентам. Они основаны на достижениях биологии и медицины — простейших моделях человеческого мозга, созданных в середине прошлого века. Биологический мозг рассматривается как множество элементарных элементов — нейронов, соединенных друг с другом многочисленными связями. Нейроны бывают трех типов: рецепторы (принимающие сигналы из внешней среды и передающие другим нейронам), внутренние нейроны (принимающие сигналы от других нейронов, преобразующие их и передающие другим нейронам) и реагирующие нейроны (принимающие сигналы от нейронов и вырабатывающие сигналы во внешнюю среду). когнитивный искусственный интеллект бинарный Простейшая и наиболее распространенная модель человеческого мозга, ориентированная на решение задач распознавания — искусственная многослойная нейронная сеть.

Элементарной ячейкой нейронной сети является модель искусственного нейрона (рис. 1).

Рис. 1 Модель искусственного нейрона

Каждый внутренний или реагирующий нейрон имеет множество входных связей (синапсов), по которым поступают сигналы от других внутренних нейронов или рецепторов, и одну выходящую связь (аксон). Каждая связь имеет некоторый «вес». При поступлении на вход нейрона совокупности сигналов они «усиливаются» с соответствующими весами. Нейрон переходит в состояние, числовая оценка которого вычисляется как.

.

Величина выходного сигнала вычисляется как, где — активационная функция. Примеры активационных функций приведены на рис. 2−5.

Рис. 3 Единичный скачок с линейным порогом

Рис. 4 Гиперболический тангенс f (x)=th (x)

Рис. 5 Функция сигмоида f (x)=1/(1+exp (-ax))

Нейрон считается «возбужденным», если выходной сигнал отличен от нуля, а величина.

характеризует степень возбуждения. Вид функций и область их изменения отражают априорные представления о функционировании биологических нейронов: величина возбуждения зависит монотонно от состояния, ограничена снизу и сверху, и «сильно» меняется в небольшом интервале значений.

.

Наиболее простыми, распространенными и исследованными являются многослойные нейронные сети прямого действия. Общий вид подобной сети изображен на рис. 6. Сеть состоит из N слоев, каждые слой состоит из нейронов, каждый нейрон j-го уровня связан с каждым нейроном j+1 — го уровня. Фиктивный нулевой слой состоит из n входных нейронов, на каждый из которых подается значение некоторого признака. Результатами классификации являются выходные значения нейронов Nго слоя.

Распознаваемый объект S поступает на 0-й слой. Далее поступивший сигнал (признаковое описание) последовательно преобразуется по слоям согласно заданным фиксированным весам синаптических связей и выбранной активационной функции. Если есть значение j-го нейрона выходного слоя, то информационный вектор результатов классификации S вычисляется согласно (1.1).

(1.1).

Рис. 6 Структурная схема нейронной классифицирующей сети прямого действия

Значения неизвестных весовых коэффициентов находятся в результате процесса обучения сети. Начальные значения весовых коэффициентов задаются случайно. Объекты обучения последовательно поступают на вход сети. Если предъявленный объект классифицируется правильно, коэффициенты остаются прежними и на вход сети поступает следующий объект. Если при классификации объекта происходит ошибка, весовые коэффициенты изменяются определенным образом. Для однослойной сети они меняются согласно простой итерационной формуле подобно используемой в методе потенциальных функций. Для многослойной сети используются специальные рекуррентные формулы пересчета весовых коэффициентов от последнего уровня до первого (метод «обратного распространения ошибки»). Обучение заканчивается, если изменение коэффициентов не приводит к дальнейшему уменьшению суммарного числа ошибок на обучающей выборке. [4].