KIP Sztuczne sieci neuronowe SSN Sie neuronowa definicja

KIP Sztuczne sieci neuronowe (SSN)

Sieć neuronowa – definicja Jest to struktura fizyczna lub program składające się z elementów zwanych neuronami, pomiędzy którymi wymieniana jest informacja. Zaprojektowana jest tak by działaniem przypominać funkcjonowanie mózgu człowieka. Jej celem jest przetworzenie danych wejściowych w użyteczne sygnały wyjściowe. Umiejętność tę sieć zdobywa w procesie uczenia.

Podstawowe zalety sieci neuronowych Sieci nie trzeba programować – nauczenie wykonywania określonych zadań nie wymaga znania natury fizycznej procesu 2. Obliczenia w sieciach neuronowych wykonywane mogą być równolegle (dotyczy sprzętowych sieci neuronowych lub komputerów wieloprocesorowych) 1.

Dziedziny zastosowań SSN 1. 2. 3. 4. 5. 6. Predykcja, czyli przewidywanie sygnałów wyjściowych na podstawie danych wzorcowych Klasyfikacja i rozpoznawanie. Kojarzenie danych. Analiza danych. Filtracja sygnałów. Optymalizacja.

Przykładowe zastosowania praktyczne SSN Systemy rozpoznawania, mowy, obrazu – np. w celu identyfikacji osób Systemy diagnostyczne – klasyfikacja stanów dynamicznych maszyn Systemy telekomunikacyjne – optymalizacja połączeń Systemy informatyczne – kompresja, selekcja danych, dynamiczne programowanie bez użycia standardowych algorytmów sekwencyjnych.

Planowanie – sieci interpretują zjawiska stochastyczne, przewidywanie notowań giełdowych, trendów w gospodarce oraz zjawisk socjologicznych. Systemy decyzyjne – pomagają podjąć decyzje, jeżeli dysponujemy zbyt małą ilością danych wejściowych Sterowanie i regulacja – nowoczesne systemy sterowania, z silnie nieliniowymi zależnościami w obiektach regulacji. Planowanie trajektorii manipulatorów i kontrola nad prawidłowością ich odwzorowania. Analiza stanów naprężeń w konstrukcjach maszyn

Sztuczny neuron struktura oparta o budowę neuronu mózgu człowieka

Sztuczny neuron Budowa sztucznego neuronu wg. Mc. Cullocha i Pittsa (1943) x 1 x 2 x 3 w 1 w 2 w 3 xn wn w 0 e (e) y

Przetwarzanie informacji w neuronie Neuron otrzymuje wiele sygnałów wejściowych i wysyła jeden sygnał wyjściowy Z każdym wejściem związana osobna waga Sygnał po wejściu mnożony jest przez wagę i taki podawany jest do dalszych obliczeń. Waga może wzmocnić, stłumić lub nawet zmienić znak sygnału Zmodyfikowane sygnały są sumowane dając łączne pobudzenie neuronu (e) Do takiej sumy dokłada się czasem sygnał dodatkowy (w 0), nazywane progiem (bias) Utworzony wyżej sygnał może być od razu sygnałem wyjściowym (ADALINE – ADAptive LINear Element) lub przetwarzany specjalną funkcją stanowiąca charakterystykę neuronu

Przykładowa struktura SSN Sygnały wejściowe neuron neuron warstwa wejściowa pierwsza warstwa ukryta . . . neuron neuron Sygnały wyjściowe n-ta warstwa ukryta warstwa wyjściowa

Warstwy ukryte SSN Są narzędziem pomagającym warstwie wyjściowej w znalezieniu poprawnego rozwiązania Są dodatkową strukturą przetwarzająco dane Pośredniczą między wejściem a wyjściem sieci Pozwalają rozwiązywać bardziej skomplikowane problemy, których nie może rozwiązać sieć jednowarstwowa

Klasy struktur SSN Struktury nie zawierające sprzężeń zwrotnych (feedforward), kierunek przepływy sygnału jest ściśle określony od wejścia do wyjścia 2. Struktury ze sprzężeniem zwrotnym, tzw. sieci Hopfielda, Hopfielda sygnały z wyjścia są podawane na wejście, tworzą skomplikowane pętle. 1.

Liniowe SSN Nazywana MADLINE (Many ADALINEs) Neurony sieci mają charakterystykę liniową, czyli sygnał wyjściowy y neuronu o n wejściach daje się obliczyć wzorem: Neuron liniowy wyróżnia wektory wejść podobnych do własnego wektora wag Wartości sygnałów wyjściowych nie są ograniczone

Liniowe SSN Sieci liniowe nadają się do rozwiązywania zadań polegające na znalezieniu liniowego odwzorowania zbioru wejściowego X na wyjściowy Y Sieci liniowe wykorzystuje się do: Identyfikacji w oparciu o zestaw cech l Filtracji sygnałów l Transformacji sygnałów l

Nieliniowe SSN W sieciach nieliniowych pobudzenie (stanowiące wyjście w przypadku neuronu liniowego) jest modyfikowane za pomocą specjalnie dobranych funkcji Funkcja (e) jest funkcją nieliniową

Nieliniowe SSN Cechą wspólną większości stosowanych funkcji jest ograniczenie sygnału wyjściowego do zakresu <0, 1> (funkcja unipolarna) lub <-1, 1> (funkcja bipolarna). Często stosowane są następujące funkcje: l Tangens hiperboliczny

Nieliniowe SSN l Funkcja signum: 1 0 -1 e

Nieliniowe SSN l Zmodyfikowana funkcja signum: 1 -1 e

Nieliniowe SSN l Funkcja skoku jednostkowego: 1 0 e

Nieliniowe SSN l Funkcja perceptronowa: 0 e

Nieliniowe SSN l Funkcja BSB (Brain State in a Box): 1 0 -1 e

Etapy pracy SSN Uczenie sieci – ustalają się wartości wag w poszczególnych neuronach Egzamin – przy ustalonych wagach sieć generuje odpowiedzi dla zadanych wejściowych i porównuje się z pożądanymi odpowiedziami. Praktyczne wykorzystanie - wykorzystuje się zdolność do uogólniania czyli sieć potrafi znaleźć rozwiązanie także dla danych wejściowych nie prezentowanych w trakcie uczenia

Uczenie sieci Uczenie z nauczycielem Samouczenie (samoadaptacja) sieci (uczenie sieci bez nauczyciela)

Uczenie sieci z nauczycielem l l l Na wejście sieci podaje się dane Sieć przetwarza je i generuje wynik przy aktualnym zestawie wag Wynik porównuje się z rozwiązaniem oczekiwanym W zależności od popełnionego błędu koryguje się poszczególne wagi Zestawów par: dane wejściowe – oczekiwane wyniki powinno być jak najwięcej.

Uczenie sieci z nauczycielem Zmiany wag neuronów wyznacza się za pomocą różnych tzw. reguł Podstawową jest tzw. reguła delta l l Wartość wyjściowa z neuronu porównywana jest z pożądaną przez nauczyciela i obliczana jest różnica miedzy nimi Sygnał błędu wykorzystywany jest przez neuron do korygowania wag (posiadanej wiedzy) l l l Wagi zmieniają się tym bardziej im większa jest Wagi związane z wejściami o dużych wartościach zmieniają się znacznie Wpływ na zmianę wektora wag koryguje współczynnik uczenia h.

Uczenie sieci z nauczycielem Zmiana współczynnika i-tej wagi neuronu w j-tym kroku nauczania: Gdzie: W sieciach liniowych i nieliniowych gdzie funkcja modyfikująca nie ma pochodnej w miejsce d /de wstawia się 1

Uczenie sieci z nauczycielem Momentum - sposób na zwiększenie szybkości uczenia l Umożliwia uwzględnienie przy zmianie wag wartości błędów popełnianych w krokach wcześniejszych h 2 = 0. . 1, zwykle 0, 9

Uczenie sieci z nauczycielem Przebieg zmian współczynników wag w trakcie uczenia bez momentum (niebieski) i z momentum (czerwony)

Uczenie sieci z nauczycielem Uczenie warstw ukrytych l l Nie jest znany rzeczywisty błąd popełniany przez neurony z warstw ukrytych Błąd szacuje się na zasadzie propagacji wstecznej (backpropagation) błędu popełnianego przez neurony warstwy wyjściowej. Oszacowanie polega na zsumowaniu błędów poszczególnych neuronów pomnożonych przez wagi połączeń miedzy rozpatrywanym neuronem a neuronami warstwy wyjściowej

Uczenie sieci z nauczycielem k 1 k 2 k 3 kn wm(kn)(j) m Błąd neuronu m w kroku j: Warstwa wyjściowa Waga neuronu kn na wejściu od neuronu m Warstwa ukryta

Uczenie sieci z nauczycielem Zmianę i –tej wagi oblicza się ze wzoru

Uczenie sieci Uczenie bez nauczyciela (hebbian learning) l l l Opracowane przez Donalda O. Hebba Na wejście sieci podaje się dane Nie podaje się pożądanych wyników Sieć modyfikuje wagi tak, że uczy się rozpoznawać klasy powtarzających się sygnałów wejściowych, rozpoznaje typowe wzorce sygnałów. Zbiór danych wejściowych powinny być prezentowany sieci w zmiennej kolejności

Samouczenie się SSN Na początku procesu wszystkie neurony mają przypadkowe wagi Pod wpływem pokazywanych ciągów danych wejściowych neurony określają swoje sygnały wyjściowe Na podstawie sygnałów wejściowych i wyjściowych następuje korekta wag: l l Jeżeli sygnał wyjściowy był pozytywny to wagi zmieniają się tak, by zbliżyć się do sygnałów wejściowych Jeżeli sygnał wyjściowy był negatywny to wagi zmieniają się przeciwnie

Samouczenie się SSN Dle m-tego neuronu i-ta waga zmienia się następująco Po wielu prezentacjach i korektach wag neurony specjalizują się w rozpoznawaniu klas występujących w sygnałach wejściowych

Uczenie sieci z konkurencją (WTA) Dotyczy sieci jednowarstwowych, w których wszystkie neurony otrzymują ten sam sygnał wejściowy Modyfikacja WTA sposobu uczenia sieci polega na zmianie wartości wag tylko tego neuronu, który najsilniej zareagował na dany sygnał wejściowy W przypadku sieci samouczących powoduje to wzrost skuteczności i ekonomiczności uczenia W przypadku sieci liniowych pozwala na uzyskanie od sieci bardziej jednoznacznych odpowiedzi

SSN podsumowanie SSN dzielimy ze względu l Stopień skomplikowania: l l l Rodzaj neuronu: l l l Liniowe Nieliniowe Sposób uczenia l l l Jednowarstwowe Wielowarstwowe (z warstwami ukrytymi) Uczone z nauczycielem Samouczące się Sposób przetwarzania informacji l l Feedforward Sieci rekurencyjne