XV Международная студенческая научная конференция Студенческий научный форум - 2023

Введение

Изучение и использование искусственных нейронных сетей, в принципе, началось уже достаточно давно – в начале 20 века, но по-настоящему широкую известность они получили несколько позже. Связано это, в первую очередь, с тем, что стали появляться продвинутые (для того времени) вычислительные устройства, мощности которых были достаточно велики для работы с искусственными нейронными сетями. По сути, на данный момент можно легко смоделировать нейронную сеть средней сложности на любом персональном компьютере.

Актуальность темы данной статьи сформирована огромной динамикой развития искусственного интеллекта и большим спросом на рынке труда специалистов в области разработок программного обеспечения на основе систем искусственного интеллекта.

Цель статьи: определить понятие нейросетей и изучить их классификацию.

Для достижения поставленной цели необходимо решить следующие задачи:

дать определение нейронных сетей;

рассмотреть типы нейронных сетей;

проанализировать полученные данные и сделать вывод.

В статье использованы такие методы исследования как анализ и синтез.

В широком смысле слова нейронную сеть можно определить, как совокупность нейронов, соединенных друг с другом определенным образом. Принципиальная схема нейрона приведена на рисунке 1.

Рисунок 1 – Принципиальная схема нейрона

Нейрон представляет из себя элемент, который из совокупности входных сигналов вычисляет по определенному правилу выходной сигнал (рис. 2). [1]

Рисунок 2 – Последовательность действий одного нейрона

Между собой нейроны могут быть соединены абсолютно по-разному, это определяется структурой конкретной сети.

Каждую связь в сети нейронов можно полностью охарактеризовать при помощи трех факторов: элемент, от которого исходит связь; элемент, к которому связь направлена; вес (значимость) связи.При получении выходного сигнала входной умножается на свой вес (формула 1).

(1)

где net_j – это результат комбинирования всех входных сигналов для нейрона j (комбинированный ввод нейрона), N – количество элементов, передающих свои выходные сигналы на вход сигнала j, w_ij– вес связи, соединяющей нейрон i с нейроном j. [1]

Все веса нейронов сети формируют весовую матрицу. На рисунке 3 приведен пример простейшей нейронной сети.

Рисунок 3 – Пример нейронной сети с весами сигналов

Весовая матрица, соответствующая приведенному примеру сети:

.

Правило, в соответствии с которым из значения комбинированного ввода элемента вычисляется его выходное значение, определяется как функция активации. При этом само выходное значение принято называть активностью нейрона.

Рассмотрим типы архитектуры нейронных сетей.

В полносвязных нейронных сетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе.

В многослойных (слоистых) нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев (рис. 4).

Рисунок 4 – Многослойная нейронная сеть

В свою очередь многослойные архитектуры сетей делятся на монотонные, сети без обратных связей и сети с обратными связями.

Монотонные нейронные сети представляют собой частный случай слоистых сетей с дополнительными условиями на связи и нейроны. Каждый слой, кроме выходного, разбит на два блока: возбуждающий и тормозящий. Связи между блоками тоже разделяются на тормозящие и возбуждающие.

Различают следующие типы нейронных сетей с обратными связями: слоисто-циклические, слоисто-полносвязные, полносвязно-слоистые.

Слоисто-циклические, отличающиеся тем, что слои замкнуты в кольцо: последний слой передает свои выходные сигналы первому; все слои равноправны и могут как получать входные сигналы, так и выдавать выходные.

Слоисто-полносвязные состоят из слоев, каждый из которых представляет собой полносвязную сеть, а сигналы передаются как от слоя к слою, так и внутри слоя; в каждом слое цикл работы распадается на три части: прием сигналов с предыдущего слоя, обмен сигналами внутри слоя, выработка выходного сигнала и передача к следующему слою.

Полносвязно-слоистые, по своей структуре аналогичные слоисто-полно-связным, но функционирующим по-другому: в них не разделяются фазы обмена внутри слоя и передачи следующему, на каждом такте нейроны всех слоев принимают сигналы от нейронов как своего слоя, так и последующих. На рисунке 4 изображены сеть Элмана и сеть Жордана.

а) б)

Рисунок 4 – Примеры полносвязно-слоистых нейронных сетей

Элмана (а) и Жордана (б)

Кроме того, нейронные сети можно разделить по типам структур нейронов на гомогенные (однородные) и гетерогенные. Гомогенные сети состоят из нейронов одного типа с единой функцией активации, а в гетерогенную сеть входят нейроны с различными функциями активации.

Еще одна классификация делит нейронные сети на синхронные и асинхронные. В первом случае в каждый момент времени лишь один нейрон меняет свое состояние, во втором – состояние меняется сразу у целой группы нейронов, как правило, у всего слоя.

Список литературы:

Гафаров Ф.М Г12 Искусственные нейронные сети и приложения: учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан. ун-та, 2019. – 121 с.(дата обращения 03.11.2022)

Нейронные сети для начинающих. Решение задачи классификации Ирисов Фишера [Электронный ресурс]. – Режим доступа: https://habr.com/ru/company/ruvds/blog/679988/ (дата обращения: 04.11.2022)

Классификация и типы нейронных сетей [Электронный ресурс]. – Режим доступа: http://datascientist.one/class-type-nn/ (дата обращения: 04.11.2022)

Код для цитирования: Скопировать