CC BY
33
УДК 00 - 005.95/. 96
Попов Д.В. студент магистратуры кафедры менеджмента и маркетинга института экономики и
управления
Белгородский государственный научно-исследовательский
университет
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ
СЕТЕЙ
Аннотация: Данная статья посвящена освящению теоретических основ искусственных нейронных сетей с точки зрения возможности применения их сильных и слабых сторон и посильных задач.
Ключевые слова: Искусственные нейронные сети, обучение, нейроны, сигнал.
Popov D.V. master's degree
in management and marketing at the Institute of Economics and
management
Belgorod state national research University
THEORETICAL FOUNDATIONS OF ARTIFICIAL NEURAL
NETWORKS
Abstract: This article covers the theoretical foundations of artificial neural networks from the point of view of the possibility of applying their strengths and weaknesses and feasible tasks.
Keyword: Artificial neural networks, training, neurons, signal.
Искусственная нейронная сеть (ИНС) — математическая модель, а также ее программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.2
ИНС состоит из искусственных нейронов (artificial neuron), каждый из которых представляет собой упрощенную модель биологического нейрона.
Биологические нейроны связаны между собою аксонами, места стыков называются синапсами. В синапсах происходит усиление или ослабление электрохимического сигнала. Связи
между искусственными нейронами называются синаптическими, или синапсами. У синапса имеется параметр — весовой коэффициент, в зависимости от его значения происходит то или иное изменение
информации, когда она передается от одного нейрона к другому. Именно благодаря этому входная информация обрабатывается и превращается в результат, а обучение нейронной сети основано на экспериментальном подборе такого весового коэффициента для каждого синапса, который и приводит к получению требуемого результата.
Структура простейшей нейронной сети представлена на рисунке
ниже.
Рисунок 1 - Схема искусственной нейронной сети
Зелёным цветом обозначены нейроны входного слоя, голубым — нейроны скрытого слоя, жёлтым — нейрон(ы) выходного слоя.
Нейроны входного слоя получают данные извне (например, от сенсоров системы распознавания лиц) и после их обработки передают сигналы через синапсы нейронам следующего слоя. Нейроны второго слоя (его называют скрытым, потому что он напрямую не связан ни со входом, ни с выходом ИНС) обрабатывают полученные сигналы и передают их нейронам выходного слоя.
Такая, простейшая ИНС способна к обучению и может находить простые взаимосвязи в данных. ИНС, способная находить не только простые взаимосвязи, но и взаимосвязи между взаимосвязями имеет намного более сложную структуру. В ней может быть несколько скрытых слоев нейронов, которые выполняют сложные логические преобразования. Каждый последующий слой сети ищет взаимосвязи в предыдущем. Такие ИНС способны к глубокому (глубинному) обучению.
Искусственные нейронные сети классифицируются по:
Типу входных данных:
1. аналоговые (на входе действительные числа);
2. двоичные (на входе двоичные числа);
3. образные (на входе знаки, иероглифы, символы) нейронные
сети;
Характеру обучения:
1. обучение с учителем (выходное пространство решений нейронной сети известно),
2. обучение без учителя (выходное пространство решений формируется только на основе входных воздействий; такие сети называют самоорганизующимися);
3. обучение с подкреплением (используется система назначения штрафов и поощрений, получаемых в результате взаимодействия ИНС со средой).
Настройке синапсов:
1. сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи);
2. сети с динамическими связями (у этих сетей в процессе обучения происходит настройка синаптических связей);
Времени передачи сигнала:
1. синхронные сети (время передачи для каждой синаптической связи равно либо нулю, либо фиксированной постоянной)
2. асинхронные сети (время передачи для каждой связи между элементами свое, но тоже постоянное).
Характеру связей:
1. сети прямого распространения (все связи направлены строго от входных нейронов к выходным)
2. рекуррентные сети (сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя)
3. рекуррентная сеть Хопфилда (фильтрует входные данные, возвращаясь к устойчивому состоянию и, таким образом, позволяет решать задачи сжатия данных и построения ассоциативной памяти)
4. двунаправленные сети (между слоями существуют связи как в направлении от входного слоя к выходному, так и в обратном).
5. радиально-базисные сети (или КББ-сети),
6. самоорганизующиеся карты (в частности, самоорганизующаяся карта Кохонена)
7. сети других классов, еще не вполне оформившихся.
Нейронные сети используются для решения сложных задач, которые
требуют аналитических вычислений подобных тем, которые делает человеческий мозг. Самыми распространенными задачами, для решения которых применяются нейронные сети, являются:
Распознавание образов. В качестве образов могут выступать различные объекты: символы текста, изображения, образцы звуков и т. д. В настоящее время это наиболее широкая область применения нейронных сетей
Классификация — распределение данных по параметрам. Выбирая из нескольких вариантов максимально подходящий под условия.
Принятие решений и управление. Эта задача близка к задаче классификации. На выходе сети в результате должен появиться признак решения, которое она приняла.
Кластеризация. Под кластеризацией понимается разбиение множества входных сигналов на классы, при этом ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал.
Прогнозирование. Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение.
Использованные источники:
1. Введение в ИНС [Электронный ресурсу/URL: https://neuralnetmfo^hapter/введение (дата обращения: 29.09.2020)
2. Самая большая в мире нейронная сеть [Электронный ресурсу/URL: http: //datareview.info/news/sozdana- samaya-bolshaya-v-mire-neyronnaya-set/ (дата обращения: 30.09.2020)
3. Бум нейронных сетей [Электронный ресурсу/URL: https://vc.ru/future/16843-neural-networks (дата обращения: 30.09.2020)
