Обучение
Способность к обучению является фундаментальным свойством мозга. В контексте ИНС процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов. Свойство сети обучаться на примерах делает их более привлекательными по сравнению с системами, которые следуют определенной системе правил функционирования, сформулированной экспертами.
Для конструирования процесса обучения, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть - знать доступную для сети информацию. Эта модель определяет парадигму обучения. Во-вторых, необходимо понять, как модифицировать весовые параметры сети, - какие правила обучения управляют процессом настройки. Алгоритм обучения означает процедуру, в которой используются правила обучения для настройки весов.
Как правило, алгоритм обучения – это набор формул, который позволяет вычислить требуемые поправки для весов сети. Для полной тренировки требуется хотя бы несколько примеров.
Используемые алгоритмы:
- локальной оптимизации с вычислением частных производных первого порядка;
- локальной оптимизации с вычислением частных производных первого и второго порядков;
-стохастические алгоритмы оптимизации;
-алгоритмы глобальной оптимизации и другие.
Существуют три парадигмы обучения: «с учителем», «без учителя» (самообучение) и смешанная. В первом случае нейронная сеть располагает правильными ответами (выходами сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Усиленный вариант обучения с учителем предполагает, что известна только критическая оценка правильности выхода нейронной сети, но не сами правильные значения выхода. Обучение без учителя не требует знания правильных ответов на каждый пример обучающей выборки. В этом случае раскрывается внутренняя структура данных или корреляции между образцами в системе данных, что позволяет распределить образцы по категориям. При смешанном обучении часть весов определяется посредством обучения с учителем, в то время как остальная получается с помощью самообучения.
Рис.6. Алгоритм обучения ИНС.
Нейронные сети хороши для задач распознавания образов, но неудобны для выяснения вопроса, как они такое распознавание осуществляют. При этом знания эксперта для ускорения процесса ее обучения в нейронную сеть ввести невозможно.
Системы с нечеткой логикой, напротив, хороши для объяснения получаемых с их помощью выводов, но они не могут автоматически приобретать знания для их использования в механизмах вывода.
В гибридных сетях выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей.
Основными недостатками аппарата нейронных сетей являются:
- отсутствие строгой теории по выбору структуры ИНС;
- практическая невозможность извлечения приобретенных знаний из обученных ИНС.
Опыт показал, что применение нейронных сетей оправданно там, где закономерности не изучены, а входные данные избыточны, иногда противоречивы и засорены случайной информацией.
За рубежом интерес к нейронным сетям стремительно растет. На нейронной технологии в сочетании с использованием проводящих полимеров основано устройство распознавания запахов, разработанное совместно фирмами Neotronics и Neoral Technologies. Системы на основе одного из типов нейронной сети осуществляют контроль за энергоустановками в некоторых городах США. Сеть РАРNЕТ после пробного рассмотрения нескольких тысяч образцов определяет пораженные раком клетки быстрее и точнее, чем это делает лаборант. "Гибридная" система анализа данных Clementine, разработанная ISL, применяется банком Чейз Манхэттен (Chase Manhattan Bank) для изучения вкусов и склонностей части своей клиентуры. Датский институт мясной промышленности приспособил нейронную сеть для анализа качества свинины. Фирма АЕА Technology разработала на основе нейронной сети средство определения идентичности подписи.
Области применения обученных ИНС: обработка видеоизображений; обработка статических изображений; обнаружение и классификация объектов по звуковым и гидроакустическим сигналам; медицинская диагностика; распознавание речи; обнаружение фальсификаций; управление ценами и производством; исследование факторов спроса; прогнозирование потребления энергии; анализ страховых рисков; оценка недвижимости.
Задачи нейронных сетей, генетических алгоритмов и методов нечеткой логики могут рассматриваться вне связи между собой, однако их взаимосвязь довольно высока. Генетические алгоритмы можно применять для подбора весов и топологии ИНС, а также для формирования базы правил и функций принадлежности нечеткой системы. В свою очередь, ИНС позволяют выбирать соответствующие параметры для генетических алгоритмов ( параметры скрещивания и мутации). Методы нечетких множеств позволяют подбирать параметры генетических алгоритмов и коэффициенты, определяющие скорость обучения ИНС.
Дата добавления: 2015-07-30; просмотров: 1084;