Искусственные нейронные сети

Искусственные Нейронные сети

«ИНС или как заставить машину думать и анализировать подобно человеческому мозгу.»

Введение

Робототехника

Интернет

Авионика

Сферы применения нейронных сетей

Системы распознавания лиц

Ввод и обработка информации

Экономика и бизнес

Искусственные нейронные сети

Понятия нейронной сети в Биологии и информатике

Нейронная сеть ( биологическая нейронная сеть ) — совокупность нейронов головного и спинного мозга, которые связаны или функционально объединены в нервной системе, выполняют специфические физиологические функции.

Искусственная нейронная сеть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.

2

Искусственные нейронные сети

Искусственный нейрон, ФУНКЦИЯ АКТИВАЦИИ

Искусственный нейрон  — узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона .

Функция активации (активационная функция) – функция, вычисляющая выходной сигнал искусственного нейрона.

2

Искусственные нейронные сети

Обучение сети

Первой была исследована сеть с использующейся линейной передаточной функцией.

Возможные выходные значения находятся в диапазоне [0;1]

Количество запросов, раз

~720

Количество верных ответов после 100 запросов

Количество верных ответов по окончанию обучения

12

64

Примерная вероятность ошибки после 100 запросов

Примерная вероятность ошибки по окончанию обучения

0,98

0,92

Прогресс в упразднении ошибки на протяжении обучения сети

~6%

Искусственные нейронные сети

2

T (где T – задаваемый порог функции), иначе – “0”. Количество запросов, раз ~700 Количество верных ответов после 100 запросов 21 Количество верных ответов по окончанию обучения 44 Примерная вероятность ошибки после 100 запросов 0,97 Примерная вероятность ошибки по окончанию обучения 0,94 Прогресс в упразднении ошибки на протяжении обучения сети ~3% Искусственные нейронные сети " width="640"

Обучение сети

За сетью с линейной передаточной функцией последовала сеть, использующая пороговую передаточную функцию.

Выходное значение будет “1” если Аргумент T (где T – задаваемый порог функции), иначе – “0”.

Количество запросов, раз

~700

Количество верных ответов после 100 запросов

21

Количество верных ответов по окончанию обучения

44

Примерная вероятность ошибки после 100 запросов

0,97

Примерная вероятность ошибки по окончанию обучения

0,94

Прогресс в упразднении ошибки на протяжении обучения сети

~3%

Искусственные нейронные сети

Обучение сети

Две ранее описанные функции плохо-обучаемы. Более рациональное применение они находят в тестирование правильности обучения нейронных сетей. Достаточное распространение они получили за счёт лёгкости их описания. На этапе знакомства с искусственным нейронными сетями их используют для наглядного объяснения логики “базового” обучения.

Искусственные нейронные сети

Обучение сети

Следующим этапом исследования были сети с сигмоидами. Первая из таковых – сеть с сигмоидальной передаточной функцией.

Возможные выходные значения находятся в диапазоне (0;1).

Здесь  t  — это параметр функции, определяющий её  крутизну .

Количество запросов, раз

~760

Количество верных ответов после 100 запросов

19

Количество верных ответов по окончанию обучения

236

Примерная вероятность ошибки после 100 запросов

0,91

Примерная вероятность ошибки по окончанию обучения

0,69

Прогресс в упразднении ошибки на протяжении обучения сети

~22%

Искусственные нейронные сети

Обучение сети

Вторая наиболее распространённая в использование сигмоидальная функция - гиперболический тангенс.

Возможные выходные значения находятся в диапазоне (-1;1).

Количество запросов, раз

~700

Количество верных ответов после 100 запросов

27

Количество верных ответов по окончанию обучения

299

Примерная вероятность ошибки после 100 запросов

Примерная вероятность ошибки по окончанию обучения

0,78

0,57

Прогресс в упразднении ошибки на протяжении обучения сети

~21%

Искусственные нейронные сети

Заключение

В результате исследования, мною было выяснено, что линейные передаточные функции довольно просты в понимании, что обуславливает их распространённость, но из-за большой “жёсткости” в присваиваемых значениях они находят применение лишь в сферах тестирования ИНС, в то время как сигмоидальные довольно успешно используются в сфере обучения сетей, где находят своё, более рациональное, применение.

Искусственные нейронные сети

Спасибо за внимание