Искусственная нейронная сеть представляет собой упрощенную модель ткани головного мозга. Схема биологического нейрона приведена на рис. 1.
Рисунок 1 – Схема биологического нейрона
Нервная клетка состоит из тела (сома, ядра) и отростков (дендритов), по которым в нейрон поступают входные сигналы. Один из отростков служит для передачи выходных сигналов данного нейрона другим нервным клеткам. Он называется аксоном. Соединение аксона с дендритом другого нейрона называется синапсом. Нейрон возбуждается и передает сигнал через аксон, если число пришедших по дендритам возбуждающих сигналов больше числа тормозящих. Принятые синапсом тела сигналы подводятся к телу нейрона, причем одни входы стремятся возбудить, другие – напротив.
Каждый нейрон, и искусственный, и естественный, характеризуется функцией преобразования, функцией возбуждения нейрона. Нейроны в сети могут иметь одинаковые или разные функции возбуждения. Сигналы, которые поступают на вход, неравнозначны.
|
|
Информация от одного источника может быть более важной, чем от других источников.
Приоритеты входов задаются с помощью так называемых векторов весовых коэффициентов, моделирующих синаптическую силу биологических нейронов (рис. 2).
Рисунок 2 – Модель искусственного нейрона
. (1)
Модель искусственного нейрона представляет собой дискретный преобразователь непрерывной информации.
Информация, поступающая на вход нейрона, суммируется с учетом весовых коэффициентов сигнала.
В соотношении (1) N – размерность пространства входных сигналов; P – потенциал нейрона; f (p) – активационная функция.
Потенциал нейрона P преобразуется с помощью передаточной функции f (p) и передается другим нейронам сети.
В общем случае эта функция может быть ступенчатой (рис. 3), линейной (рис. 4) или нелинейной (рис.5).
Пороговая функция пропускает информацию только в том случае, если алгебраическая сумма входных сигналов превышает некоторую величину.
.
Рисунок 3 – Линейная функция
Рисунок 4 – Ступенчатая (пороговая) функция
Рисунок 5 – Сигмоидальная (логистическая) функция
Пороговая функция не обеспечивает достаточной гибкости искусственной нейронной сети в процессе обучения.
Если значение вычислительного потенциала не достигает заданного порога, то выходной сигнал не формируется (не срабатывает).
Представленная ситуация приводит к снижению интенсивности выходного сигнала нейрона и, как следствие, к формированию невысокого значения потенциала взвешенных входов в следующем слое нейрона.
Линейная функция дифференцирована и легко вычисляется. Подобный эффект в ряде случаев позволяет уменьшить ошибки выходных сигналов сети, т.е. передаточная функция сети также является линейной.
|
|
Однако она не универсальна, т.е. не обеспечивает решения многих задач. Компромиссным решением является сигмоидальная функция:
.
Указанная функция наиболее адекватно моделирует истинную характеристику биологического нейрона.
Коэффициент k определяет крутизну нелинейной функции.
Подобно ступенчатой функции, сигмоидальная функция позволяет выделять в пространстве признаков различные множества – невыпуклые, несвязанные.
При этом сигмоидальная функция не имеет разрывов.
Пик функции переноса выбирается с учетом конкретной задачи, решаемой с применением нейронных сетей.
В задачах аппроксимации и классификации предпочтение отдают логистической (сигмоидальной) функции.