Sztuczna inteligencja wykład.cz2.pdf

Sztuczne sieci neuronowe

Sieci biologiczne

System nerwowy istot żywych zbudowany jest z ogromnej

ilości komórek nerwowych, zwanych neuronami . Ich liczba

w ludzkim mózgu dochodzi do 100 miliardów.

synapsy

dendryty

ciało

akson

Rys. 3. Schemat biologicznego neuronu

Dentryty są wypustkami służącymi do wprowadzania

informacji do neuronu. Każdy neuron biologiczny ma jedną

wypustkę, zwaną aksonem , przez którą może wysyłać

informację do wielu innych neuronów. Każdy neuron

przekazuje pobudzenie innym neuronom przez złącza

nerwowe, zwane synapsami . Odbywa się to na drodze

skomplikowanych procesów chemiczno-elektrycznych.

Pojedynczy neuron przyjmuje pobudzenie od ogromnej liczby

innych neuronów, dochodzącej do tysiąca.

Do każdego neuronu dochodzą sygnały, z których część ma

działanie pobudzające, a część – hamujące. Neuron sumuje te

impulsy. Jeżeli ich suma algebraiczna przekracza pewną

wartość progową, neuron wysyła poprzez akson sygnał do

wszystkich, połączonych z nim, neuronów.

Mózg można utożsamiać z ogromną siecią realizującą

równoległe przetwarzanie sygnałów. Najbardziej istotną cechą

mózgu jest jego zdolność do nauki. Uczy się on głównie

poprzez dopasowywanie struktury sieci neuronowej, bowiem

w czasie nauki zmianie ulegają siły połączeń między

neuronami.

Budowa i działanie sztucznego neuronu

x 0 =1

w 0

x 1

w 1

x 2 w 2

s y



x n

w n

Rys. 4. Model sztucznego neuronu

Wprowadźmy następujące oznaczenia:

x =[x 1 , x 2 , …, x n ] – wektor wartości wejściowych,

w =[w 1 , w 2 , …, w n ] – wektor wag synaptycznych,

w 0 – wartość progowa pobudzenia,

s – wartość zsumowana, y – wartość wyjściowa,

f – funkcja aktywacji.

Formuła opisująca działanie neuronu wyraża się zależnością

)

y 

( s

( 1 )

w której



i w



( 2 )

Działanie sztucznego neuronu można w skrócie opisać

następująco:

Wartości wejściowe pobudzenia zostają wymnożone przez

odpowiadające im wagi, a następnie zsumowane do wartości s

w członie sumującym. Następnie suma ta zostaje

przekształcona za pomocą funkcji aktywacji f do wartości

wyjściowej neuronu y .

Szczególną rolę pełni stałe wejście x 0 =1 , które za pomocą

wagi w 0 , pozwala ustawiać wartość progu pobudzenia.

Wiedza , którą posiada pojedynczy neuron, zawarta jest w

jego wagach. Uczenie neuronu polega na modyfikacji jego

wektora wag.

Cechy sztucznych sieci neuronowych

 Sieci neuronowe mogą uczyć się na przykładach

 Potrafią poradzić sobie z zaszumionymi danymi

 Przetwarzają dane w sposób równoległy

 Są zdolne do generalizowania wiedzy szczegółowej,

zdobytej w oparciu o przykłady

 Jeden fragment oprogramowania implementującego

algorytmy sieci neuronowych może być wykorzystywany

do rozwiązywania różnorakich problemów

 Nie potrafimy wyjaśnić działania sztucznych sieci

neuronowych - ekstrakcja jakichkolwiek reguł

decyzyjnych jest zwykle niemożliwa

 Proces treningu trwa zwykle bardzo długo

 Nie istnieją w 100% pewne zasady dotyczące tego, jakie

sieci stosować i jak je uczyć dla konkretnego zadania.

Wiele elementów musi być dobieranych metodą prób i

błędów

 Niekompletny zbiór uczący może powodować, że sieć

będzie dawać błędne wyniki podczas rzeczywistego

użytkowania .

Funkcje aktywacji

Neurony możemy podzielić na trzy kategorie ze względu na

użyte w nich funkcje aktywacji:

 Liniowe funkcje aktywacji

f 

)

 Nieliniowe nieciągłe funkcje aktywacji

 Nieliniowe ciągłe funkcje aktywacji

(

Przykłady funkcji nieliniowych nieciągłych:

 Funkcja signum ( znak )



dla



(

)



dla







dla



 Bipolarna funkcja skoku jednostkowego

(

)





dla



(3)



dla



 Unipolarna funkcja skoku jednostkowego

(

)





dla



dla



Przykład funkcji nieliniowej ciągłej:

 Funkcja sigmoidalna unipolarna

(

)











Jest to funkcja zależna od parametru β .



Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: