2.3.2. Искусственная нейронная сеть.

Как было сказано ранее, ИНС — это набор искусственных нейронов (далее просто нейронов), определенным образом связанных между собой и работающих параллельно. Принцип параллельной обработки сигналов достигается путем объединения большого числа нейронов в так называемые слои, соединения определенным образом нейронов различных слоев и послойной обработки всех нейронов.

Рис. 4. Однослойный перцептрон

Как правило, активационные функции всех нейронов в сети фиксированы, а веса синапсов W_i являются параметрами сети и могут изменяться.

В качестве примера простейшей ИНС рассмотрим трехнейронный перцептрон (Рис.4), На n входов поступают x₁,x₂,…,x_n сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала:

, j=1...3 (2.3)

Очевидно, что все весовые коэффициенты синапсов одного слоя нейронов можно свести в матрицу W, в которой каждый элемент w_ij задает величину i-ой синаптической связи j-ого нейрона. Таким образом, процесс, происходящий в НС, может быть записан в матричной форме:

Y=F(XW) (2.4)

где X и Y – соответственно входной и выходной сигнальные векторы, F() –функция активации, применяемая поэлементно к компонентам аргумента.

Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется ИНС. Чем сложнее ИНС, тем масштабнее задачи, которые она способна решить.

Вообще, выбор структуры ИНС осуществляется в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные на сегодняшний день конфигурации.

2.4. Архитектуры инс

Сначала следует решить вопрос о том, как будет согласована работа различных нейронов во времени – вопрос о синхронности функционирования. Здесь и далее рассматриваются только нейронные сети, синхронно функционирующие в дискретные моменты времени.

В ыделяется две базовых архитектуры нейронных сетей: Сети прямого распространения и рекуррентные сети (сети с обратной связью). Далее в каждой группе существует несколько видов ИНС. На Рис 5 представлены

Рис. 5. Архитектуры ИНС

типовые сети каждого класса. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются динамическими, так как в силу обратных связей в них модифицируются входы нейронов, что приводит к изменению состояния сети. Наиболее распространенными являются сети прямого распространения и в частности многослойные перцептроны. Именно этот вид ИНС нас и интересует, поскольку лучше всего подходит для рассматриваемой нами задачи. На Рис. 6 изображен частный случай многослойного перцептрона – двухслойный перцептрон.

Рис 6 Двуслойный перцептрон

В многослойном перцептроне нейроны расположены слоями и имеют однонаправленные связи между слоями. Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и т.д. до последнего слоя, который выдает выходные сигналы для интерпретатора и пользователя. Если не оговорено противное, то каждый выходной сигнал i-го слоя подается на вход всех нейронов (i+1)-ого. Число нейронов в каждом слое может быть любым и никак заранее не связано с количеством нейронов в других слоях. Стандартный способ подачи входных сигналов: каждый нейрон первого слоя получает все входные сигналы.