Umělá inteligence - 3

Základní pojmy k neuronovým sítím
Výkonný prvek neuronové sítě
Měření vzdálenosti
Druhy sítí a topologie
Aplikace..

Základní pojmy k neuronovým sítím

V této kapitole si uvedeme některé základní pojmy z oblasti umělých neuronových sítí doplněné krátkým vysvětlením. Termíny užívané v neuronových sítích tedy jsou:

Adaptace - Schopnost umělé neuronové sítě k samoorganizaci. Realizuje se obvykle změnami vah během učení.

Adaptivní systém - Systém schopný zlepšit nebo upravit výkonnost (obvykle parametricky) pro zvyšující se faktor náročnosti nebo pro vyhovění neurčitostí způsobené prostředím.

Architektura - Struktura sítě výkonných prvků, jejich vzájemné propojení.

Algoritmus - Metoda nebo procedura pro získání cíle nebo řešení.

Excitace - Působení neuronu, při kterém v připojených neuronech dochází k růstu jejich vnitřního potenciálu.

Energetická funkce - Energie je mírou naučenosti, tedy odchylky mezi skutečnými a požadovanými hodnotami výstupů neuronové sítě pro danou trénovací množinu.

Klasifikace - Schopnost přiřadit vstupní pozorovaný vzor nebo znak do určité kategorie.

Znak nebo vlastnost - Něco, co charakterizuje vlastnost nějakého objektu nebo situace.

Heuristika - Metoda používaná podle zkušenosti, ale nemusí být garantované řešení problému.

Přeučování - Učící proces, ve kterém se maže jistý počet vah. V kontrastu k normálnímu učení už při přeučování sítě jistý objem dat obsahovala.

Převrácení - Určení vstupu z daného výstupu a systémového modelu.

Samoorganizace - Schopnost neuronové sítě učením přizpůsobit své chování k vyřešení daného problému.

Síť - Spojení vzájemně propojených entit.

Topologie - Popisuje druh a počet výkonných prvků sítě a strukturu (graf) jejich propojení.

Unit (jednotka) - Elementární objekt umělé neuronové sítě.

Výkonný prvek neuronové sítě

Nyní zavítáme do matematické a logické části neuronových systémů. Je tedy doporučené alespoň znát množiny a operace s nimi. Jak jsme si již řekli v prvním díle seriálu, výkonným prvkem je vždy neuron. Jak tento neuron vypadá, můžeme vidět na následujícím obrázku.

McCulloch-Pittsův neuron

Tento neuron své vstupní informace zpracovává a předává dále podle vztahu:

kde
x_i - jsou výstupy neuronu a počet těchto neuronů je celkem N.
w_i - jsou tzv. synaptické váhy. Stejně jako u biologických sítí.
S - je obvykle označována přenosová funkce dotyčného neuronu, někdy také F
O - práh daného neuronu

Výraz v uvedené rovnici bývá někdy označován jako vnitřní potenciál neuronu. Zmínili jsme se, že umělé neuronové sítě mají určitou přenosovou funkci. Možné varianty těchto funkcí jsou na následujícím obrázku:

Přenosové funkce umělých neuronových sítí

Měření vzdálenosti

Jedna z důležitých částí neuronových sítí jsou výpočty vzdáleností. Určují, kam patří právě učený či testovaný vektor.

Toto se využívá hlavně pro I/O vektory. Tato vzdálenost je definována následovně:

Tato je využívána hlavně pro výpočet vzdáleností ve 2D a N-rozměrném prostoru:

Toto je zjednodušená verze měření Euklidovské vzdálenosti na úkor zvyšování chyby:

Toto je zjednodušená vzdálenost Manhattan, což se projeví chybou, ale zvýšenou rychlostí:

Druhy sítí a topologie

Neuronové sítě se dělí podle několika kritérií:

Podle počtu vrstev