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
xi - jsou výstupy neuronu a počet těchto neuronů je celkem N.
wi - 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
Podle algoritmů učení
Podle stylu učení na sítě s učením
Aplikace
Obrazové zpracování a počítačové vidění, včlenění neuronových sítí do porovnávání obrázků, předzpracování obrázků, počítačové vidění, obrázková komprese, stereo vidění a předzpracování a porozumnění časově proměnných zobrazovaných sekvencí obrázků.
Rozpoznávání znaků, obsahující vyjádření vlastností ze znaků, rozpoznávání řeči a porozumnění rozpoznávání digitálně psaných znaků.
Lékařství, obsahuje analýzu elektrokardiografických signálů a porozumnění jim, zpracování lékařských snímků.
Umělá inteligence, implementace v expertních systémech, ve fuzzy logice apod.
Výhody:
Nevýhody: