Краткие теоретические сведения. Искусственные нейронные сети

Лабораторная работа № 2

Искусственные нейронные сети

Цель работы: приобретение навыков построения нейронных сетей различной архитектуры с помощью пакета расширения Neural Network Toolbox системы MATLAB.

Ключевые слова

■ слой нейронов:

■ входной;

■ выходной;

■ промежуточный (скрытый);

Краткие теоретические сведения

Отдельные нейроны способны после некоторой процедуры обучения решать ряд задач искусственного интеллекта. Однако, несмотря на это, для эффективного решения сложных задач по распознаванию образов, идентификации и классификации объектов, распознаванию и синтезу речи, оптимальному управлению применяют достаточно большие группы нейронов. Эти группы нейронов образуют искусственные нейронные сети в виде связанных между собой слоев, напоминающие нервную систему человека и животных.

Существует множество способов организации искусственных нейронных сетей, которые могут содержать различное число слоев нейронов. Нейроны могут быть связаны между собой как внутри отдельных слоев, так и между слоями. В зависимости от направления передачи сигнала эти связи могут быть прямыми или обратными. Слой нейронов, непосредственно принимающий информацию из внешней среды, называется входным, а слой, передающий информацию во внешнюю среду, – выходным. Остальные слои, если они имеются в нейронной сети, называются промежуточными (скрытыми). В ряде случаев такая классификация слоев нейронной сети не производится. Тогда входы и выходы могут присоединяться к любым слоям и иметь произвольное число компонент.

Архитектура нейронной сети зависит от той конкретной задачи, которая должна быть решена с помощью сети. Нейронная сеть может быть однослойной с обратными связями или без них, двухслойной с прямыми связями, трехслойной с обратными связями и т. д. Нейронные сети с обратными связями также называют рекуррентными.

Кроме указания числа слоев и связей между ними, описание архитектуры искусственной нейронной сети должно включать следующую информацию:

■ количество нейронов в каждом слое;

■ виды функций активации в каждом слое;

■ наличие смещений для каждого слоя;

■ наличие компонент входных, выходных и целевых векторов;

■ в ряде случаев – характеристика топологии слоев.

Например, для аппроксимации любой функции с конечным числом точек разрыва широко используется сеть с прямой передачей сигналов. В этой сети имеется несколько слоев с сигмоидными функциями активации. Выходной слой содержит нейроны с линейными функциями активации. Данная сеть не имеет обратных связей, поэтому ее называют сетью с прямой передачей сигналов.

Графически искусственная нейронная сеть изображается в виде функциональной или структурой схемы. На функциональной схеме сети с помощью геометрических фигур изображаются ее функциональные блоки, а стрелками показываются входы, выходы и связи. В блоках и на стрелках указываются необходимые обозначения и параметры.

Структурная схема нейронной сети изображается с помощью типового набора блоков, соединительных элементов и обозначений, принятых в пакете расширения Neural Network Toolbox системы MATLAB и пакете имитационного моделирования Simulink. Структурная схема нейронной сети может быть укрупненной или детальной, причем степень детализации определяется пользователем. Системы обозначений блоков, элементов и параметров нейронной сети является векторно-матричной, принятой в системе MATLAB. Если в обозначении используется два индекса, то, как правило, первый индекс (номер строки) указывает пункт назначения, а второй индекс (номер столбца) – источник структурной схемы нейронной сети. Структурные схемы создаются системой автоматически с помощью команды gensim. Если элементом вектора или матрицы на структурной схеме является сложный объект, то используются соответственно ячейка и массив ячеек.

Программным представлением (вычислительной моделью) искусственной нейронный сети является объект специального класса network, который включает массив структур с атрибутами сети и набор методов, необходимых для создания сети, а также для ее инициализации, обучения, моделирования и визуализации. Класс network имеет два общих конструктора, один из которых не имеет параметров и обеспечивает создание массива структур с нулевыми значениями полей, а второй – имеет минимальный набор параметров для создания модели нейронной сети, достраиваемой затем до нужной конфигурации с помощью операторов присваивания. Для создания нейронных сетей определенного вида используются специальные конструкторы.