НЕЙРОННАЯ СЕТЬ: ПОНЯТИЕ И РАСПОЗНАВАНИЕ

NEURAL NETWORK: CONCEPT AND RECOGNITION

Elizaveta Kosteneva

student, Department of Automated Control Systems, Lipetsk State Technical University,

Russia, Lipetsk

Nikolay Morozov

student, Department of Automated Control Systems, Lipetsk State Technical University,

Russia, Lipetsk

Yulia Sedykh

scientific supervisor, senior lecturer of the Department ACS, Lipetsk State Technical University,

Russia, Lipetsk

АННОТАЦИЯ

Данная статья посвящена тому, что из себя представляют нейронная сеть и как проходит ее обучение.

ABSTRACT

This article is devoted to what neural networks are and how they are trained.

Ключевые слова: нейронная сеть, понятие, восприятие, обучение.

Keywords: neural network, concept, perception, learning.

Нейросеть содержит узлы — аналоги нервных клеток — нейронов (нейроподобных элементов, НПЭ) и их соединения — синаптические связи (рис.1).

Рисунок 1. Нейрон

Модель нейрона во взаимодействии с другими нейронами нейросети представлена на рис. 2.

Рисунок 2. Модель нейрона

Здесь  представляют собой доли энергии импульсов , переданных другими нейронами и поступивших на дендриты нейрона . Веса дендритов обозначены как , а пороги нейрона обозначены как . В свою очередь, сгенерированный импульс   также распространяется по дендритам нейронов, которые связаны с нейроном  через аксон. В соответствии с законом распределения энергии, величина  делится пропорционально значению весов дендритов "принимающих" нейронов. Каждый нейрон может быть управляем извне или по принципу саморегуляции с помощью обратных связей. Значения весов синаптических связей  и порогов  могут быть регулируемыми. Этот вид регулирования, реализованный в различных моделях, определяет возможность обучения и самообучения сети. Оно формирует пути прохождения возбуждений через сеть, простым образом устанавливая связи между причиной и следствием.

Изображенный на рис. 3 фрагмент нейросети позволяет представить следующее:

Рисунок 3. Фрагмент нейросети

1. Функции f могут быть различными, но они характеризуются небольшим объемом вычислений. В наиболее простом случае f совпадает с линейной формой - указанным аргументом, т. е. по всем дендритам с учетом их весов (см. рис. 4) производится суммирование и сравнение с порогом;
2. Величина, превышающая порог, определяет уровень возбуждения нейрона или значение величины возбуждения. Например, в некоторых моделях уровень возбуждения всегда равен единице, а отсутствие возбуждения соответствует нулю. В других моделях допускается и отрицательное значение возбуждения. Значение возбуждения передается через ветвящийся аксон согласно связям нейрона;
3. В общем случае, посредством дендритов может передаваться как возбуждающий, так и тормозящий сигнал. Возбуждающее воздействие может быть связано с положительным значением веса синаптической связи, в то время как тормозящее воздействие может быть связано с отрицательным значением. Аналогичный эффект может быть достигнут при передаче отрицательных значений возбуждения нейронов;
4. Нейронная сеть имеет входной (рецепторный) слой, который принимает внешние стимулы (например, видеоизображение), и выходной слой, который определяет результат или решение задачи. Работа сети организована таким образом, чтобы имитировать передачу и управление сигналами возбуждения по всей сети;
5. Сеть работает в двух режимах: режиме обучения и режиме распознавания (рабочем режиме);

Установим случайным образом начальные значения весов дендритов всей сети. Предположим, что наша нейросеть предназначена для распознавания рукописного текста. Входной слой функционирует аналогично сетчатке глаза, которая воспринимает изображение. Когда изображение подается на входной слой, некоторые нейроны-рецепторы возбуждаются в определенной конфигурации. Предположим, что на входной слой подается эталон, например, буква «А». Через некоторое время, один из нейронов выходного слоя будет максимально возбужден (показано черным цветом на рис. 3). Мы можем связать этот нейрон с буквой «А» и рассматривать его возбужденное состояние как ответ: «Это буква А» Затем давайте введем букву «А» с естественными искажениями, вызванными почерком, дрожанием руки и т.д.

Существует вероятность, что максимально возбудится тот же нейрон выходного слоя, но также может возбудиться и другой нейрон. Однако мы стремимся «обучить» систему так, чтобы она ответила, что это все равно буква «А» и достигла максимального возбуждения того же нейрона выходного слоя.

Тогда необходимо изменить веса и, возможно, пороги в сети на пути прохождения возбуждения так, чтобы заставить возбудиться нужный нейрон. Такая настройка сети является основным, наиболее важным элементом ее обучением. Применяемые для этого алгоритмы называют алгоритмами обучения.

Одним из наиболее часто применяемых алгоритмов обучения является алгоритм обратного распространения ошибки. В нем воспроизводится подход, используемый в динамическом программировании и основанный на обратном и прямом проходах. Здесь мы предлагаем новый, более простой алгоритм «трассировки», основанный на прямом проходе при прокладывании путей; возбуждения от эталонов к нейронам выходного слоя.

Обучение заканчивается тогда, когда вероятность «узнавания» достигнет требуемого значения, т.е. необходимость корректировки параметров по предъявляемым эталонам возникает все реже. Теперь можно работать в режиме распознавания. Предъявляем сети различные буквы. Можно быть уверенным, что, если мы предъявим случайно искаженную и даже зашумленную букву «А» (конечно, в допустимых пределах), сеть ее с большой вероятностью распознает, т. е. максимально возбудится соответствующий нейрон выходного слоя.

Можно существенно облегчить обучение, предъявляя эталон «в полном смысле», т.е., например, показывая букву, регламентированную букварем. Тогда на вероятность распознавания этой буквы будет влиять предусмотренная степень отклонения от данного эталона, обусловленная почерком. Далее необходимо придерживаться именно такого способа обучения.

Список литературы:

1. Аксенов С. В., Новосельцев В. Б. Организация и использование нейронных сетей (методы и технологии) / Под общ. ред. В. Б. Новосельцева. — Томск: Изд-во НТЛ, 2017. — 128 с.
2. Аляутдинов М. А., Галушкин А. И., Казанцев П. А., Остапенко Г. П. Нейрокомпьютеры. От программной к аппаратной реализации; Горячая линия — Телеком — М., 2017. — 152 c.
3. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. — М.: Финансы и статистика, 2004. — 176 с.