Искусственная Нейронная Сеть — Строительные Блоки

Обработка ANN зависит от следующих трех строительных блоков —

• Топология сети
• Корректировки веса или обучения
• Функции активации

В этой главе мы подробно обсудим эти три строительных блока ANN.

Топология сети

Топология сети — это расположение сети вместе с ее узлами и соединительными линиями. По топологии ИНС можно классифицировать по следующим видам:

Сеть прямой связи

Это непериодическая сеть, имеющая блоки обработки / узлы в слоях, и все узлы в слое связаны с узлами предыдущих уровней. Соединение имеет различный вес на них. Отсутствие обратной связи означает, что сигнал может течь только в одном направлении, от входа к выходу. Это может быть разделено на следующие два типа —

• Однослойная сеть с прямой связью — концепция ANN с прямой связью, имеющая только один взвешенный слой. Другими словами, мы можем сказать, что входной слой полностью связан с выходным слоем.

Однослойная сеть с прямой связью — концепция ANN с прямой связью, имеющая только один взвешенный слой. Другими словами, мы можем сказать, что входной слой полностью связан с выходным слоем.

• Многослойная сеть с прямой связью — концепция ANN с прямой связью, имеющая более одного взвешенного слоя. Поскольку эта сеть имеет один или несколько слоев между входным и выходным слоями, она называется скрытыми слоями.

Многослойная сеть с прямой связью — концепция ANN с прямой связью, имеющая более одного взвешенного слоя. Поскольку эта сеть имеет один или несколько слоев между входным и выходным слоями, она называется скрытыми слоями.

Сеть обратной связи

Как следует из названия, сеть обратной связи имеет пути обратной связи, что означает, что сигнал может проходить в обоих направлениях с использованием петель. Это делает ее нелинейной динамической системой, которая непрерывно изменяется, пока не достигнет состояния равновесия. Это может быть разделено на следующие типы —

• Рекуррентные сети — это сети обратной связи с замкнутыми контурами. Ниже приведены два типа рекуррентных сетей.

• Полностью рекуррентная сеть — это самая простая архитектура нейронной сети, поскольку все узлы подключены ко всем остальным узлам, и каждый узел работает как на входе, так и на выходе.

Рекуррентные сети — это сети обратной связи с замкнутыми контурами. Ниже приведены два типа рекуррентных сетей.

Полностью рекуррентная сеть — это самая простая архитектура нейронной сети, поскольку все узлы подключены ко всем остальным узлам, и каждый узел работает как на входе, так и на выходе.

• Иорданская сеть — это сеть с обратной связью, в которой выход снова поступит на вход в качестве обратной связи, как показано на следующей диаграмме.

Иорданская сеть — это сеть с обратной связью, в которой выход снова поступит на вход в качестве обратной связи, как показано на следующей диаграмме.

Корректировки веса или обучения

Обучение в искусственной нейронной сети — это метод изменения весов связей между нейронами указанной сети. Обучение в ANN можно разделить на три категории, а именно обучение под наблюдением, обучение без учителя и обучение с подкреплением.

Контролируемое обучение

Как следует из названия, этот тип обучения осуществляется под наблюдением учителя. Этот процесс обучения является зависимым.

Во время обучения ANN при контролируемом обучении входной вектор представляется в сеть, которая дает выходной вектор. Этот выходной вектор сравнивается с желаемым выходным вектором. Сигнал ошибки генерируется, если есть разница между фактическим выходным сигналом и требуемым выходным вектором. На основе этого сигнала ошибки веса корректируются до тех пор, пока фактический выходной сигнал не будет сопоставлен с желаемым выходным значением.

Обучение без учителя

Как следует из названия, этот тип обучения осуществляется без присмотра учителя. Этот процесс обучения является независимым.

Во время обучения ANN при обучении без учителя входные векторы аналогичного типа объединяются в кластеры. Когда применяется новый шаблон ввода, то нейронная сеть выдает ответ с указанием класса, к которому принадлежит шаблон ввода.

От среды нет обратной связи относительно того, каким должен быть желаемый результат и является ли он правильным или неправильным. Следовательно, в этом типе обучения сама сеть должна обнаруживать шаблоны и особенности из входных данных и отношения для входных данных по выходным данным.

Усиление обучения

Как следует из названия, этот тип обучения используется для усиления или укрепления сети за счет некоторой критической информации. Этот процесс обучения похож на контролируемое обучение, однако у нас может быть очень мало информации.

Во время обучения сети под обучением подкрепления, сеть получает некоторую обратную связь от окружающей среды. Это делает его чем-то похожим на контролируемое обучение. Однако полученная здесь обратная связь носит оценочный, а не поучительный характер, что означает, что учителя, как в контролируемом обучении, нет. После получения обратной связи сеть выполняет корректировку весов, чтобы в будущем получать более качественную информацию о критике.

Функции активации

Это может быть определено как дополнительная сила или усилие, приложенное к входу, чтобы получить точный результат. В ANN мы также можем применять функции активации для ввода, чтобы получить точный вывод. Ниже приведены некоторые интересные функции активации —

Функция линейной активации

Она также называется функцией идентификации, поскольку она не выполняет редактирование ввода. Это может быть определено как —

F(х)=х $$F (х) \: = \: х$$

Функция активации сигмовидной кишки

Это имеет два типа следующим образом —

Двоичная сигмоидальная функция — эта функция активации выполняет редактирование ввода между 0 и 1. Она имеет положительный характер. Он всегда ограничен, что означает, что его выход не может быть меньше 0 и больше 1. Он также строго увеличивается по своей природе, что означает, что чем больше вход, тем больше будет выход. Это можно определить как

Р(х)=Сигм(х)= гидроразрыва11 +ехр(−x) $$Р (х) \: = \: Сигм (х) \: = \: \ гидроразрыва {1} {1 \ + \: ехр (-x)}$$

Биполярная сигмоидальная функция — эта функция активации выполняет редактирование ввода между -1 и 1. Она может быть положительной или отрицательной по своей природе. Он всегда ограничен, что означает, что его выход не может быть меньше -1 и больше 1. Он также строго увеличивается в природе, как сигмовидная функция. Это можно определить как

Р(х)=Сигм(х)= гидроразрыва21 +ехр(−x)−1= гидроразрыва1−ехр(х)1 +ехр(х) $$Р (х) \: = \: Сигм (х) \: = \: \ гидроразрыва {2} {1 \ + \: ехр (-x)} \: - \: 1 \: = \: \ гидроразрыва {1 \: - \: ехр (х)} {1 \ + \: ехр (х)}$$