Презентация Архитектура нейронных сетей

Рис.1 Основные архитектуры нейронных сетей

Рис.2 Нейронная сеть Структура, обеспечивающая связь между множеством входных событий (набор переменных) и множеством выходных событий (набор возможных решений). Входные события регистрируются слоем рецепторов, возбуждающихся при превышении порогового уровня и передающих сигнал на второй слой. Выходной слой устанавливает связь отобранных входных сигналов (событий) с набором решений. Состоит из нейроноподобных структур, связывающих входные сизналы(воздействие) с выходными реениями.

Рис.3 Архитектура нейросети. Для того, чтобы нейросеть выполняла желаемое отображение, требуется особым образом настроить функции преобразования нейронов и внутреннюю архитектуру связей. Чаще всего архитектура связей выбирается заранее из известных моделей и остаётся неизменной во время работы и настройки сети; настраиваемой же является функция преобразование.

Рис.4 Теоретические основы ИИ Мак-Каллока и Питса 1943. Вместе с молодым исследователем Уолтером Питтсом заложил базу для последующего развития нейротехнологий. Его принципиально новые теоретические обоснования превратили язык психологии в конструктивное средство описания машины и машинного интеллекта. Одним из способов решения подобных задач было выбрано математическое моделирование человеческого мозга, для чего потребовалось разработать теорию деятельности головного мозга. Мак-Каллок и Питс являются авторами модели, согласно которой нейроны упрощенно рассматриваются как устройство, оперирующее двоичными числами. Заслуга Мак-Каллок и Питтса состоит в том, что их сеть из электронных «нейронов» теоретически могла выполнять числовые или логические операции любой сложности. Мак-Каллок много лет занимался искусственным интеллектом и сумел найти общий язык с мировой общественностью в вопросе о том, каким образом машины могли бы применять понятия логики и абстракции в процессе самообучения и самосовершенствования. Специалист по гносеологическим проблемам искусственного интеллекта.

Рис.5 Мак-Каллок Уоррен нейрофизиолог 1898-1969 США

Рис.6 Теоретические основы НС Теоретические основы нейроматематики были заложены в начале 40-х годов и в 1943 году У. МакКалок и его ученик У. Питтс сформулировали основные положения теории деятельности головного мозга. Ими были получены следующие результаты: разработана модель нейрона как простейшего процессорного элемента, выполняющего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов; предложена конструкция сети таких элементов для выполнения логических и арифметических операций; сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию.

Рис.7 Перцептрон Перцептро́н, или персептрон ( perceptio — восприятие) — модель восприятия информации человеческим мозгом, предложенная Фрэнком Розенблаттом в 1957 году и впервые реализованная в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. Подвергся критике Марвина Минский.

Рис.8 Сеть Хопфилда Сеть Хопфилда является однослойной сетью, потому что в ней используется лишь один слой нейронов. Она так же является рекурсивной сетью, потому что обладает обратными связями. Она функционирует циклически. Образ, который сеть запоминает или распознаёт (любой входной образ) может быть представлен в виде вектора X размерностью n, где n – число нейронов в сети. Выходной образ представляется вектором Y с такой же размерностью. В идеале сеть распознает образ и выдаст на выход эталонный вектор, соответствующий искажённому.

Рис.9 Джон Джозеф Хопфилд Американский физик Джон Хопфилд представил первую ассоциативную сеть (с автоассоциативной памяти) в 1982 г. Автоассоциативной памятью называют память, которая может завершить или исправить образ, но не может ассоциировать полученный образ с другим образом. Данный факт является результатом одноуровневой структуры ассоциативной памяти, в которой вектор (образец некоторого класса) появляется на выходе тех же нейронов, на которые поступает входной вектор.

Рис.10 Самоорганизу́ющаяся ка́рта Ко́хонена Идея сети предложена финским учёным Кохоненом. Является методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяется также для решения задач моделирования, прогнозирования, выявление наборов независимых признаков, поиска закономерностей в больших массивах данных, разработке компьютерных игр, квантизации цветов к их ограниченному числу индексов в цветовой палит

Рис.11 Пример кластеризации в выходном слое

Рис.12 Теуво Калеви Кохонен Наиболее известное творение Кохонена — особый вид нейронных сетей, известных как самоорганизующиеся карты Кохонена, которые используются для решения задач кластеризации данных. Помимо карт Кохонена существует целый класс нейросетей — нейронные сети Кохонена, основным элементом которых является слой Кохонена

Рис.13 Карты Кохонена предназначены в основном для визуализации анализа больших массивов данных. Карты Кохонена предназначены в основном для визуализации анализа больших массивов данных. Пример демонстрирует линейную апроксимацию трехмерного множества точек.