Файл: Нечеткая логика и нейронные сети в теории и на практике.pdf

Нейроны в высшей степени многообразны по форме, которая находится в зависимости от их местонахождения в психике и отличительных черт фунционирования. Тело клетки имеет большое количество ветвящихся отростков 2 типов. Отростки первого вида, именуемые дендритами за их однообразие с кроной раскидистого дерева, работают в виде входных каналов для нервных импульсов от иных нейронов. Данные импульсы поступают в сому либо тело клетки объемом от 3 до 100 микрон, вызывая ее специфичное возбуждение, которое потом распространяется по выводному отростку 2 на подобии - аксону. Протяженность аксонов традиционно видно превосходит объемы дентритов, в отдельных вариантах достигая десятков сантиметров причем даже метров. Громадный аксон кальмара имеет толщину в пределах миллиметра, и конкретно наблюдение за ним явилось выяснению приспособления передачи сердитых импульсов между нейронами.

Тело нейрона, переполненное проводящим ионным веществом, окружено мембраной шириной в пределах 75 ангстрем, владеющей невысокой проводимостью. Между внутреннней поверхностью мембраны аксона и наружней средой поддерживается разницу электрических потенциалов. Данное исполняется посредством молекулярного приспособления ионных насосов, делающих разную сосредоточение позитивных ионов K и Na внутри и вне клеточки. Проницаемость мембраны нейрона селективна для данных ионов. Снутри аксона клеточки, оказавшейся в состоянии покоя, энергичный транспорт ионов совершенствоваться поддерживать сосредоточение ионов калия более высокой, чем ионов натрия, тогда как в жидкости, окружающей аксон, выше оказывается концентрация ионов Na+. Пассивная диффузия более подвижных ионов калия приводит к их интенсивному выходу из клетки, что обуславливает ее общий отрицательный относительно внешней среды потенциал покоя, составляющий около -65 милливольт.

Под воздействием стимулирующих сигналов от других нейронов мембрана аксона динамически изменяет свою проводимость. Это происходит, когда суммарный внутренний потенциал превышает пороговое значение масштаба -50 мв. Мембрана на короткое время, составляющее около 2 миллисекунд, изменяет свою полярность (деполяризуется) и достигает потенциала действия около +40 мв. На микроуровне это объясняется кратковременным повышением проницаемости мембраны для ионов Na+ и активным поступлением их в аксон. В дальнейшем, по мере выхода ионов калия, положительный заряд с внутренней стороны мембраны меняется на отрицательный, и наступает так называемый период рефрактерности, длящийся около 200 мс. На протяжении данного времени нейрон считается вполне пассивным, почти что постоянно храня потенциал внутри аксона на уровне в пределах -70 мв.

Импульс деполяризации клеточной мембраны, именуемый спайком, распространяется вдоль аксона фактически в отсутствии затухания, поддерживаясь локальными ионными градиентами. Скорость движения спайка считается что же касается низкой и оформляет от 100 до 1000 см в секунду.

Возбуждение нейрона повторяющий вид спайка передается иным нейронам, которые, следовательно, таким образом объединены в проводящую сердитые импульсы сеть. Участки мембраны на аксоне, где находятся области контакта аксона этого нейрона с дендритами иными нейронов, величаются синапсами. В сфере синапса, имеющего трудоемкое строение, случается размен информацией о возбуждении между нейронами. Механизмы синоптической передачи довольно трудны и многообразны. Им предоставляется возможность иметь химическую и электрическую природу. В химическом синапсе в передаче импульсов примут участие специальные химические препараты - нейромедиаторы, вызывающие перемены проницаемости локального участка мембраны. Исходя из на подобии вырабатываемого медиатора синапс сможет владеть возбуждающим (отлично проводящим возбуждение) либо тормозящим деянием. Традиционно на всех отростках одного нейрона вырабатывается одинаковый медиатор, и потому нейрон в общем высокофункционально считается тормозящим или же возбуждающим. Данное главное наблюдение о наличии нейронов всевозможных типов в следующих главах станет значительно принимать на вооружение при проектировании искусственных систем.

Глава 3. Понятие искусственного нейрона

Базовый модуль нейронных мереж - искусственный нейрон моделирует основные функции естественного нейрона (рис. 2).

Рисунок 2. Базовый искусственный нейрон

Входные сигналы x_n взвешенные весовыми коэффициентами соединения w_nскладываются, проходят через передаточную функцию, генерируют результат и выводятся.

В имеющихся сейчас пакетах программ искусственные нейроны называются "элементами обработки" и имеют больше возможностей, чем простой искусственный нейрон, описанный выше. На рис. 3 изображенная детальная схема упрощенного искусственного нейрона.

Рисунок 3. Модель нейрона

Модифицированные входы передаются на функцию суммирования, которая преимущественно только суммирует произведения. Можно выбрать различные операции, такие как среднее арифметическое, наибольшее, наименьшее, OR, AND, и т.п., что вырабатывают разные значения. Большинство коммерческих программ разрешают инженерам-программистам создавать собственные функции сумматора с помощью подпрограмм, закодированных на языке высокого уровня. Иногда функция суммирования усложняется добавлением функции активации, разрешающей функции суммирования действовать во времени.

В любом из этих случаев, выход функции суммирования проходит через передаточную функцию на выход (0 или 1, -1 или 1, или какое-нибудь другое число) с помощью определенного алгоритма. В существующих нейросетях в качестве передаточных функций могут быть использованы сигмоида, синус, гиперболический тангенс и др. Пример того, как работает передаточная функция показан на рис. 4.

Рисунок 4. Сигмоиднаяя передаточная функция

Все искусственные нейросети конструируются из базового блока - искусственного нейрона. Существующие разнообразия и отличия, являются основанием для искусства талантливых разработчиков при реализации эффективных нейросетей.

Глава 4. Виды искусственных нейронных сетей

Иная часть творения и применения нейросетей дотрагивается немаленького числа взаимосвязей, связывающих отдельные нейроны. Группирование в мозга человека случается так, собственно информация обрабатывается динамическим, интерактивным и самоорганизующим методом. Био нейронные сети сделаны в трехмерном месте из микроскопических компонентов и готовы к многообразным соединениям, а для сделанной человеком сети есть физические лимитирования.

Имеющие место быть на это время, нейросети считаются группированием искусственных нейронов, в виде соединенных между собой слоев.

Рисунок 5. Диаграмма простой нейронной сети

На рис. 5 показана обычная текстура искусственного происхождения нейросетей. Хотя присутствуют сети, которые содержат только 1 слой, или же в том числе и 1 составляющую, основная масса реализаций употребляют сети, содержащих по крайней мере 3 вида слоев - входной, спрятанный и выходной. Слой входных нейронов получает эти либо из входных файлов, или же конкретно с электронных измерителей. Weekend слой пересылает информацию именно во наружную среду, ко вторичному компьютерному процессу, либо к иному приспособлению. Между данными двумя слоями быть может немного спрятанных слоев, содержащих большое количество многообразно связанных нейронов. Входы и выходы любого из тайных нейронов соединены с иными нейронами.

Направление взаимосвязи от одного нейрона к иному считается весомым нюансом нейросетей. У основной массы сеток любой нейрон тайного слоя получает сигналы от всех нейронов предшествующего слоя и обыкновенно от нейронов входного слоя. В последствии исполнения операций над сигналами, нейрон передает собственный выход всем нейронам последующих слоев, обеспечивая передачу сигнала вперед (feedforward) на выход.

При обратной связи, выход нейронов слоя направляется к нейронам предыдущего слоя (рис. 6).

Рисунок 6. Направления нейронов

Вид соединения между нейронами имеет великое воздействие на работу сети. Основная масса пакетов программных реализаций нейронных сеток свидетельством пользователю прибавлять, отнимать и управлять соединениями, как угодно. Каждый день корректируемые характеристики взаимосвязи возможно устроить как возбуждающими, но и тормозящими.

Глава 5. Обучение нейронных сетей

Основательным свойством мозга считается способность к обучению. Процесс изучения имеет возможность рассматриваться как определение архитектуры сети и опции весов взаимосвязей для успешного исполнения специальной задачи. Нейросеть настраивает весы взаимосвязей под имеющееся обучающее большое количество.

Для процесса изучения нужно было иметь модель наружней среды, в какой работает нейронная сеть - подходящую для решения задачи информацию. Так же, нужно было вычислить, как настраиваются весы взаимосвязей сети. Метод изучения означает операцию, в какой применяются правила изучения для настраивания весов.

Есть 3 вида изучения: "с преподавателем", "в отсутствии учителя" (самообучение) и смешанное. В первом случае нейросеть имеет в собственном распоряжении верные ответы (выходы сети) на любой входной пример. Весы настраиваются так, чтобы сеть производила ответы ближайшие к известным верным ответам. Изучение в отсутствии учителя не просит познания верных ответов на любой пример обучающей подборки. В данном случае употребляется внутренняя текстура данных, и корреляция между образцами в обучающем обилье для распределения образцов по категориям. При смешанном обучении часть весов ориентируется по поддержки преподавания с преподавателем, на тот момент как иная ориентируется по поддержки самообучения.

Нейросети невозможно считать всепригодными для решения всех вычислительных задач. Классические компьютеры обдумывающей способы считаются совершенными для множества применений. Современные цифровые вычислительные машинки превосходят человека по возможности делать числовые и символьные вычисления. Но человек сможет без труда улаживать трудные задачки восприятия наружных этих (к примеру, узнавание человека в массе по его личику) с таковой скоростью и точностью, собственно мощный во всем мире PC сравнивая с ним может показаться на первый взгляд неисправимым тугодумом. Нежели первопричина этого веского расхождения в их производительности? Сравнение компьютера фон Неймана с нейроной сетью приведено в таблице 1.

Таблица 1.

Компьютер с архитектурой фон Неймана по сравнению с нейронной сетью

**	компьютер	нейронная сеть
Процессор	Сложный Высокоскоростной Один или несколько	Простой Низкоскоростной Большое количество
Память	Отдельно от процессора Локализированная Адресация по адресу	в процессоре Распределенная Адресация по смыслу
Отчисленная	Централизованные Последовательные Сохраненные программы	Распределенные Параллельные Самообучение
Надежность	Уязвимость	Живучесть
Специализация	Числовые операции	Проблемы восприятия
Среда функционирования	Строго ограниченное	Без ограничений
Функции	Логично, через правила, концепции, вычисления	Через изображения, рисунки, управление
Метод обучения	По правилам	По примерам
Применение	Числовая обработка информации	Распознавание языка, распознавание образов, распознавание текстов

Глава 6. Применение нечеткой логики на практике

Согласно методическим рекомендациям выбираем вариант задачи для практического выполнения. По первой цифре дня рождения соответствует вариант №2. Задача на расход топлива автомобиля.

В задаче требуется определить расход топлива автомобиля. Входные сигналы: а) скорость движения автомобиля (низкая, средняя, высокая); б) температура окружающего воздуха (если высокая температура, то включается кондиционер) (высокая температура, низкая температура). Выходной сигнал: значение величины расхода топлива (большой расход, средний расход, маленький расход). Правила: 1. Если скорость движения низкая, температура воздуха низкая, то расход топлива маленький. 2. Если скорость движения средняя, температура воздуха низкая, то расход средний. 3. Если скорость высокая, температура воздуха высокая, то расход большой.

Зададим необходимые условия для задачи.