Создание программы, осуществляющей распознавание жестов мыши и выполняющей ассоциированные с ними действия
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
Вµ процессоры аналогичны нейрону, в котором они имеют много вводов (дендриты) и объединяются значениям вводов, откорректированных их синоптическими силами. Эта сумма тогда подвергается нелинейному фильтру, часто называемому функцией преобразования типа, которая управляет выводом в соответствии с предписанными нелинейными отношениями. Если функция преобразования типа - пороговая функция, сигналы вывода сгенерируются только, если сумма взвешенных вводов превышает пороговое значение.
Если функция преобразования типа непрерывна нелинейного (или линейного) отношения, вывод - непрерывная функция объединенного ввода. Обычно используется функция преобразования типа - сигмоидальная функция, которая изменяется гладко от нуля (для больших отрицательных значений) до единицы (для больших положительных значений) со значением 1/2 для нулевого ввода. Аксон вывода элементарного процессора выделяется и становится вводом для многих других элементарных процессоров. Эти сигналы проходят через связи (синоптические соединения) которые соответствуют синоптической силе нейронных связей. Входные сигналы на элементарный процессор изменяются весом подключения до подведения итогов элементарным процессором [10].
1.3 Искусственные нейронные сети
Искусственная нейронная сеть может быть определена как вычислительная система обработки, состоящая из многих элементарных процессоров, соединенных вместе в структуру, похожую на структуру мозга. Эти элементарные процессоры обычно организовываются в последовательности уровней, с полными связями между уровнями. Как правило, имеется три (или больше) уровней: входной уровень, где данные представлены в сеть через входной буфер, уровень вывода с буфером который отвечает за вывод на данный ввод, и один или большее количество промежуточных или "скрытых" уровней. Искусственная нейронная сеть возводит в степень два процесса: обучение и повторный вызов. Обучение - процесс приспосабливания весов связей в ответ на внешние стимулы, представленные во входном буфере. Сеть " учится" в соответствии с узнающим правилом, управляющим регулированием весов связей в ответ на обучение примеров, находящихся в буферах вводов и вывода. Повторный вызов - процесс принятия ввода и создания ответа, определенного геометрией и синоптическими весами сети.
Искусственные нейронные сети чрезвычайно разнообразные за конфигурациями. Несмотря на это, сетевые парадигмы имеют много общего. Использованные в данном пособии обозначения и графические изображения были избранные как наиболее распространенные в данное время.
Нейронные сети различают за топологическими типами соответствующие структуре связей между нейронами сети, а также за типом использованных формальных нейронов.
За структурой нейронные сети можно разделить на неполносвязные и полносвязные, со случайными и постоянными (регулярными) связями, симметричными и несимметричными связями (рисунок 1.3).
Рисунок 1.3 - Классификация нейронных сетей
Неполносвязные нейронные сети (описываются неполносвязным ориентированным графом и названы персептронами) делятся на однослойные (простые персептроны) и многослойные с прямыми, перекрестными и обратными связями.
В нейронных сетях с прямыми связями нейроны j-ого слоя на входах могут соединяться только с нейронами i-ых слоев, где j > i, то есть с нейронами слоев, которые лежат ниже.
В нейронных сетях с перекрестными связями припускаются связи внутри одного слоя, то есть приведенная выше неравенство заменяется на j и.
В нейронных сетях с обратными связями используются связи j-ого слоя на входах с i-ым при j < i. Кроме того, за видом связей различают персептроны с регулярными и случайными связями.
За сигналами, которые подаются на входы и выходы, нейронные сети можно разделить на аналоговые и бинарные.
За моделированием времени - на сети с беспрерывным и дискретным временем. Для программной реализации применяется, как правило, дискретное время.
По способу подачи информации на входы нейронной сети различают:
-подачу сигналов на синапсы входных нейронов;
-подачу сигналов к выходам входных нейронов;
-подачу сигналов в виде веса синапсов входных нейронов.
По способу снятия информации из выходов нейронной сети различают:
-снятия из выходов исходных нейронов;
-снятия с синапсов исходных нейронов;
-снятия в виде значений веса синапсов исходных нейронов.
По способу организации обучения разделяют обучение нейронных сетей с учителем (supervised neural networks) и без учителя (nonsupervised).
По способу представления примеров различают представление одиночных примеров и "страницы" примеров. В первом случае изменение состояния нейронной сети (обучения) происходит после представления каждого примера. Во втором - после представления "страницы" (множества) примеров на основании анализа сразу всех их.
По специфике особенностями модели нейрона, различают нейроны с разными нелинейными функциями.
Разные модели ИНС iелью сравнения можно характеризовать такими свойствами (некоторые из них связанные с вышеуказанной классификацией нейронных сетей):
-структура связей между нейронами;
-тип входных сигналов;
-тип исходных сигналов;
-тип передающей функции;
-особенности функционирования в случае распознавания (тестирования);
-особенности алгоритма обучения;
-емкость сети - колич