text stringlengths 0 1.95k |
|---|
распознавания во многих областях науки и техники. Искусственные нейронные сети (ИНС |
– Уоссермен, 1992; Шитиков и др., 2005) конструируются из достаточно простых |
элементов – формальных нейронов, напоминающих свой биологический прототип. |
На n входов каждого нейрона |
(синапсы) |
поступают значения переменных x1... xn, а на |
результирующая |
выходе |
величина |
, где S – взвешенная сумма |
входных сигналов, F – функция активации |
нейрона, преобразующая S в выходной сигнал. |
генерируется |
)(SFy = |
Для суммации входных сигналов используется выражение |
S |
n |
= å |
i |
=1 |
Txw |
i - |
i |
, где T – порог |
так и |
нейрона, w1..wn – веса синапсов, |
усиливающими. Вид функции активации F может иметь различное математическое |
выражение, выбор которого определяется характером решаемых задач. Если, например, |
использовать сигмоид |
, то нейрон реализует логистическую регрессию. |
которые могут быть как тормозящими, |
1/(1)( |
= |
-+ |
cSe |
SF |
) |
В основе нейросетевого подхода лежит идея построения распознающего |
устройства из большого числа параллельно работающих простых элементов (т.е. |
описанных выше формальных нейронов), которые функционируют независимо друг от |
друга и связаны между собой однонаправленными каналами передачи информации. Хотя |
каждый отдельный нейрон моделируется довольно простой функцией регрессии, |
совокупная сложность модели, гибкость ее функционирования и другие важнейшие |
качества определяются структурой связей и многоуровневой иерархией всей сети. |
В настоящее время описано много разновидностей нейронных сетей (Горбань и др., |
1998), характерных для различных типов задач. Рассмотрим возможности обучения ИНС |
на примере трехслойного персептрона с прямым распространением информации, |
представленного на рис. 6.23 и включающего 6 нейронов в промежуточном (скрытом) |
238 |
слое. На входы сети подаются нормированные значения 13 морфологических показателей |
и параметров активности ядовитого секрета, а на выходе моделируется значение отклика |
Y в виде метки географического региона, где предположительно обитают различные |
подпопуляции гадюк. |
Рис. 6.23. Вид нейронной сети для классификации популяций гадюки |
Обучение нейронной сети связано с некоторыми трудностями вычислительного |
характера: необходимо подобрать число нейронов промежуточного слоя, значение |
параметра ослабления l и другие параметры (Venables, Ripley, 2002), причем сам процесс |
настройки имеет нестационарный характер и требует проведения некоторого числа |
повторностей. Эффективность распознавания обученной сети (см. табл. 6.9), как правило, |
высока, однако содержательная интерпретация модели, полученной на ее основе, |
практически невозможна. |
Таблица 6.9. Доля ошибочной классификации (%) моделей распознавания региона обитания гадюк |
на обучающей выборке (Err-S) и при скользящем контроле (Err-CV) |
Использованный алгоритм |
Линейный дискриминантный анализ LDA (14 признаков) |
Линейный дискриминантный анализ LDA (4 признака) |
Метод опорных векторов SVM |
Метод k ближайших соседей kNN (k = 1) |
Метод k ближайших соседей kNN (k = 5) |
Персептрон с одним скрытым слоем из 6 нейронов |
Err-S |
6 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.