Нейросеревые модели
Курсовой проект - Компьютеры, программирование
Другие курсовые по предмету Компьютеры, программирование
? тому, чего от неё хотел создатель. Известен случай, когда сеть обучалась распознаванию изображений танков по фотографиям, однако позднее выяснилось, что все танки были сфотографированы на одном и том же фоне. В результате сеть научилась распознавать этот тип ландшафта, вместо того, чтобы научиться распознавать танки. Таким образом, сеть понимает не то, что от неё требовалось, а то, что проще всего обобщить.
8) Корректировка параметров, окончательное обучение.
) Вербализация сети с целью дальнейшего использования.
11. Распознавание образов, классификация, категоризация
В качестве образов могут выступать различные по своей природе объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу.
Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. Когда сети предъявляется некий образ, на одном из её выходов должен появиться признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть не уверена в своём ответе.
Итак, задачей системы-классификатора является установление принадлежности образа к одному из формально определенных классов. Примерами такой задачи является задача классификации растений в ботанике, классификация химических веществ по их свойствам и типам возможных реакций, в которые они вступают, и другие. Формальные признаки могут быть определены посредством правил типа если..-то.., а системы, оперирующие с такими правилами, получили название экспертных систем.
Проблема категоризации находится на ступеньку выше по сложности в сравнении с классификацией. Особенность ее заключается в том, что помимо отнесения образа к какой-либо группе, требуется определить сами эти группы, т.е. сформировать категории. В случае обучения с учителем формирование категорий происходит методом проб и ошибок на основе примеров с известными ответами, предоставляемыми экспертом. Учитель управляет обучением при помощи изменения параметров связей и, реже, самой топологии сети.
Задачей системы-категоризатора является формирование обобщающих признаков в совокупности примеров. При увеличении числа примеров несущественные, случайные признаки сглаживаются, а часто встречающиеся - усиливаются, при этом происходит постепенное уточнение границ категорий. Важно отметить различие в характере неявных знаний, запомненных искусственной нейронной сетью, и явных, формальных знаний, заложенных в экспертных системах.
Некоторые сходства и различия представлены в следующей таблице:
Экспертные системы (ЭС)Нейросетевые системы (НС)Источник знанийФормализованный опыт эксперта, выраженный в виде логических утверждений - правил и фактов, безусловно принимаемых системойСовокупный опыт эксперта-учителя, отбирающего примеры для обучения + индивидуальный опыт обучающейся на этих примерах нейронной сетиХарактер знанийФормально-логическое левополушарное знание в виде правилАссоциативное правополушарное знание в виде связей между нейронами сетиРазвитие знанийВ форме расширения совокупности правил и фактов (базы знаний)В форме дообучения на дополнительной последовательности примеров, с уточнением границ категорий и формированием новых категорийРоль экспертаЗадает на основе правил полный объем знаний экспертной системыОтбирает характерные примеры, не формулируя специально обоснование своего выбораРоль искусственной системыПоиск цепочки фактов и правил для доказательства сужденияФормирование индивидуального опыта в форме категорий, получаемых на основе примеров и категоризация образов12. Современность нейросетевых технологий
.1 Черты современных архитектур
Классические исследования, выполненные в послевоенные годы и дальнейших бурный прогресс в нейроинформатике в 80-е годы определили некоторые общие черты перспективных архитектур и направления исследований.
.Плотное сопряжение теоретических исследований с поиском новых физических принципов и физических сред для аппаратной реализации нейронных сетей. Здесь прежде всего следует отметить оптические системы, как линейные, так и нелинейные: фурье-оптика, голограммы, нелинейные фоторефрактивные кристаллы, оптические волноводные волокна, электронно-оптические умножители и другие. Перспективными также являются среды с естественными автоволновыми свойствами (химические и биологические). Все эти среды реализуют важное свойство массивной параллельности при обработке информации. Кроме того, они, как правило, содержат механизмы "саморегулирования", позволяющие организовывать обучение без учителя.
.Иерархичность архитектур и разделение функций нейронов. В современных архитектурах используются слои или отдельные ?/p>