CC BY
20
УДК 004.8
Пальмов С.В., к.т.н.
доцент кафедра ИСТ Ланцов В.А. студент 4 курса ПГУТИ
Российская Федерация, г. Самара КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ
Аннотация: В статье рассматриваются базовые понятия нейронных сетей, классификация нейронных сетей, способы их обучения.
Введение
В современном мире искусственный интеллект является одним из самых развивающихся направлений в IT. Актуальность данного направления подтверждается использованием нейронных сетей во многих сферах. Это связано с необходимостью более точно и быстро собирать и обрабатывать данные. На сегодняшний день нейронные сети успешно используются для решения таких задач, как прогнозирование, распознавание образов, оптимизации, ассоциативной памяти, управления, сжатие данных, создание экспертных систем и ряда других. При помощи нейронных сетей можно, например, предсказать поведение курса валют, распознавать оптические и звуковые сигналы, создать самообучающуюся систему.
Для того чтобы лучше разобраться в том, что из себя представляет искусственный нейрон, рассмотрим абстрактную модель биологического нейрона.
Рис.1. Модель биологического нейрона Каждый нейрон имеет отростки нервных волокон двух типов -дендриты по ним нейрон получает информацию, отросток по которому нейрон передает информацию, называется аксон. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный
импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону.
Немного истории нейронных сетей. Термин «нейронная сеть» появился в середине ХХ века. Первыми внесшими значительный вклад в данное направление были Уоренн Мак-Каллок и Уолтер Питтс. Ими была разработана первая формальная модель нейронных сетей, изображенная на рисунке 2.
Рис.2. модель нейрона МакКалока-Питтса х - входные бинарные признаки, ю - веса, а - выходные данные. В 1957 году Розенблаттом были разработаны математическая и компьютерная модели восприятия информации мозгом. Также Розенблатт описал модель работы нейрона перцептрона. Ожидания от данной модели были значительно завышены, считалось что при помощи перцептрона будет возможно отличить картинки танков от картинок грузовиков, даже если они как-то замаскированы. Но ажиотаж продолжался не долго, в 1969 году была опубликована книга Минского и Пайперта, которая рассказывала об проблемах машинного обучения. Публикация данной работы привела к замедлению изучения нейронных сетей до того времени, когда компьютеры достигли больших вычислительных мощностей. [3]
Начиная с 1975 года интерес к нейронным сетям начал увеличиваться, одним из важнейших шагов, стимулировавших это, стала разработка Вербосом метода обратного распространения ошибки. Наибольшее развитие нейронные сети получили после 80х годов.
В настоящее время нейронные сети активно применяются в различных сферах деятельности.
Рассмотрим основные типы нейронных сетей.
Однослойная нейронная сеть.
Это простейшая нейронная сеть, состоящая из группы нейронов, образующих слой. Пример такой сети изображен на рисунке 3.
Рис. 3. Однослойная нейронная сеть В данном примере Х обозначены входные сигналы. Круги выполняют распределение входных сигналов. Они не выполняют никаких действий, поэтому они не будут считаться слоем. Стрелками обозначаются веса, которые соединяют входные сигналы с нейронами. На выходе каждый нейрон выдает взвешенную сумму входов в сеть. Однослойные нейронные сети не обладают выдающимися вычислительными характеристиками, поэтому они применяются только для не требовательных к вычислениям задачам. [1]
Многослойная нейронная сеть
Многослойные нейронные сети по сравнению с однослойными более крупные и сложные. Такие сети обладают большими возможностями и в последние годы были разработаны множество алгоритмов для их обучения. В многослойных сетях выходные сигналы одного слоя нейронов, являются входными сигналами для последующих. На рисунке 4 изображен прием двуслойной нейронной сети.
Рис. 4. Двуслойная нейронная сеть
Важным условием увеличения вычислительной мощности многослойных нейронных сетей по сравнению с однослойной является случай, когда активационная функция между слоями не будет линейной. Многослойные линейные сети можно заменить на эквивалентные однослойные сети. Но так как они ограничены по своим вычислительным способностям, необходимо использовать многослойные сети с нелинейной активационной функцией.
Обучение нейронных сетей
Обучение с учителем
Обучение с учителем подразумевает, что у каждого входного вектора имеется целевой вектор, т.е. результат, который является истинным. Совместно эти вектора называются обучаемой парой. Обычно сеть обучается на множестве таких пар. Предъявляется выходной вектор, находится выход сети, далее происходит сравнение с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку.
Обучение без учителя
Часто обучение с учителем критиковали за то, что оно биологически неправдоподобно. Обучение без учителя является более правдоподобным видом обучения. Нейронная сеть без учителя не нуждается в целевом векторе для выходов и, поэтому, не нуждается в сравнении с заранее заданными идеальными ответами. Обучающее множество состоит только из входных векторов. В данном алгоритме веса подстраиваются так, чтобы получались согласованные выходные векторы. В процессе обучения выделяются статистические свойства обучающегося множества, и они группируются в классы. Небольшим недостатком данного обучения является то, что выходной вектор данного класса невозможно предсказать. Следовательно, выходы подобной сети должны трансформироваться в некоторую понятную форму, обусловленную процессом обучения. [2]
Использованные источники:
1. Московский государственный университет печати. [Электронный ресурс]: Нечеткие множества и нейронные сети. - Режим доступа: http://www.hi-edu.ru/e-books/xbook741/01/part-001.html, свободный.
2. Bookwu [Электронный ресурс]: Нейрокомпьютерная техника - теория и практика - Режим доступа: http://bookwu.net/book_nejrokompyuternaya-tehnika-teoriya-i-praktika_1188/3_glava-1.osnovy-iskusstvennyh-nejronnyh-setej, свободный.
3. Портал искусственного интеллекта [Электронный ресурс]: История возникновения нейронных сетей. - Режим доступа: http://neuronus.com/history/5-istoriya-neironnykh-setej.html, свободный.
УДК 656.131
Паршина К.С. магистрант кафедра «ТБиАХ»
ФГБОУ ВО «Алтайский государственный университет»
Россия, г. Барнаул
ВЛИЯНИЕ СТАЖА ВОЖДЕНИЯ НА АВАРИЙНОСТЬ НА ПРИМЕРЕ
АЛТАЙСКОГО КРАЯ
Аннотация. Согласно классической концепции БДД наименьшей надежностью в системе ВАДС обладает «водитель». В статье изучено
