Содержание работы:

Нейронная сеть представляет из себя множество узлов (нейронов), которые объединяются в слои и соединяются между собой связями (синапсами). Существует множество видов как самих нейронов, так и  способов их соединения. Одиночные искусственные нейроны могут быть соединены друг с другом различными методами, что создает разнообразие нейронных сетей с различной архитектурой, правилами обучения и возможностями. Наиболее распространенные из них: сети прямого распространения (FeedForward), Сети Хопфилда, Карты Кохонена, Машины Больцмана, Сети на основе Адаптивной Резонансной Теории (ART), Радиальные Базисные Функции (RBF) и Каскадно-корреляционные сети.

Наиболее простой архитектурой обладают сети прямого распространения, названные так потому, что нейроны одного слоя могут быть соединены только с нейронами прилегающих слоев без обратных и рекуррентных связей. Обычно такие сети состоят из входного слоя, одного или более скрытых слоев (названных так, потому что они не имеют непосредственных связей с "внешним миром") и выходного слоя. При помощи такой сети данные преобразуются из n-мерного входного пространства в m-мерное выходное. Такие сети должны быть обучены для выдачи желаемых результатов при предъявлении образцов на входной слой.

Сети прямого распространения – наиболее простой и наглядный способ объединения нейронов. Он позволяет сделать работу нейронной сети логически прозрачной и, в некоторых случаях, позволяет осуществлять анализ исследуемой информации в алгоритмическом виде.

Обе используемые нейронные сети являются двухслойными сетями прямого распространения. Скрытый слой состоит из нейронов с передаточной функцией тангенциальной сигмоиды.

Достоинством этой функции является автоматический контроль усиления: для слабых сигналов, когда величина a_j близка к нулю, кривая вход-выход имеет сильный наклон, дающий большое усиление. Когда величина сигнала внутреннего возбуждения становится большей по модулю, усиление снижается. Таким образом, большие по величине сигналы воспринимаются сетью без насыщения, а слабые проходят без чрезмерного ослабления.

 Выходной слой состоит из линейных нейронов.

Это обусловлено тем, что если в выходном слое использовать также сигмоидные нейроны, то выходные значения будут лежать в интервале от -1 до +1.

Такая двухслойная топология была выбрана из-за того, что сеть, состоящая из скрытого уровня с тангенциальными нейронами и выходного слоя с линейными нейронами, позволяет аппроксимировать любую линейную и нелинейную функции, используя при этом произвольное число нейронов скрытого уровня.

Back to Top

Last updated: ноября 16, 2000.