49902

Искусственный нейрон. Алгоритм обратного распространения

Доклад

Информатика, кибернетика и программирование

Нейронные сети обратного распространения – это мощнейший инструмент поиска закономерностей, прогнозирования, качественного анализа. Такое название – сети обратного распространения (back propagation) они получили из-за используемого алгоритма обучения, в котором ошибка распространяется от выходного слоя к входному, т.е. в направлении...

Русский

2014-01-12

467.33 KB

2 чел.

Искусственный нейрон.

Несмотря на большое разнообразие вариантов нейронных сетей все они имеют общие черты. Так все они, также как и мозг человека, состоят из большого числа однотипных элементов – нейронов, которые имитируют нейроны головного мозга, связанных между собой.

На рис.1 показана схема нейрона

                    

d0.1

Из рисунка видно, что искусственный нейрон, так же как и живой, состоит из синапсов, связывающих входы нейрона с ядром, ядра нейрона, которое осуществляет обработку входных сигналов и аксона, который связывает нейрон с нейронами следующего слоя. Каждый синапс имеет вес, который определяет насколько соответствующий вход нейрона влияет на его состояние. Состояние нейрона определяется по формуле

  (1)

где

n - число входов нейрона

xi – значение i-го входа нейрона

wi – вес i-го синапса

Затем определяется значение аксона нейрона по формуле

Y = f(S)   (2)

Где f - некоторая функция ,которая называется активационной. Наиболее часто в качестве активационной функции используется так называемый сигмоид, который имеет следующий вид:

(3)

Основное достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет очень простую производную:

(4)

При уменьшении параметра α сигмоид становится более пологим, вырождаясь в горизонтальную линию на уровне 0,5 при α =0. При увеличении α сигмоид все больше приближается к функции единичного скачка.

Алгоритм обратного распространения

Нейронные сети обратного распространения – это мощнейший инструмент поиска закономерностей, прогнозирования, качественного анализа. Такое название – сети обратного распространения (back propagation) они получили из-за используемого алгоритма обучения, в котором ошибка распространяется от выходного слоя к входному, т.е. в направлении, противоположном направлению распространения сигнала при нормальном функционировании сети.

Нейронная сеть обратного распространения состоит из нескольких слоев нейронов, причем каждый нейрон слоя i связан с каждым нейроном слоя i+1, т.е. речь идет о полносвязной НС.

В общем случае задача обучения НС сводится к нахождению некой функциональной зависимости Y=F(X) где X-вектор входной, а Y -выходной векторы. В общем случае такая задача, при ограниченном наборе входных данных имеет бесконечное множество решений. Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки НС, которая находится по методу наименьших квадратов:

 (1)

где  – реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы p-го образа; djp – идеальное (желаемое) выходное состояние этого нейрона.

Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом:

 (2)

Здесь wij – весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n,  – коэффициент скорости обучения, 0<<1.

Как показано в [2],

(3)

Здесь под yj, подразумевается выход нейрона j, а под sj – взвешенная сумма его входных сигналов, то есть аргумент активационной функции. Так как множитель dyj/dsj является производной этой функции по ее аргументу, из этого следует, что производная активационной функция должна быть определена на всей оси абсцисс. В связи с этим,  функция единичного скачка и прочие активационные функции с неоднородностями не подходят для рассматриваемых НС. В них применяются такие гладкие функции, как гиперболический тангенс или классический сигмоид с экспонентой. В случае гиперболического тангенса

 (4)

Третий множитель sj/wij, очевидно, равен выходу нейрона предыдущего слоя yi(n-1).

Что касается первого множителя в (3), он легко раскладывается следующим образом[2]:

(5)

Здесь суммирование по k выполняется среди нейронов слоя n+1.

Введя новую переменную

(6)

мы получим рекурсивную формулу для расчетов величин j(n) слоя n из величин k(n+1) более старшего слоя n+1.

(7)

Для выходного же слоя

(8)

Теперь мы можем записать (2) в раскрытом виде:

(9)

Иногда для придания процессу коррекции весов некоторой инерционности, сглаживающей резкие скачки при перемещении по поверхности целевой функции, (9) дополняется значением изменения веса на предыдущей итерации

(10)

где  – коэффициент инерционности, t – номер текущей итерации.

Таким образом, полный алгоритм обучения НС с помощью процедуры обратного распространения строится так:

1. Подать на входы сети один из возможных образов и в режиме обычного функционирования НС, когда сигналы распространяются от входов к выходам, рассчитать значения последних. Напомним, что

(11)

где M – число нейронов в слое n-1 с учетом нейрона с постоянным выходным состоянием +1, задающего смещение; yi(n-1)=xij(n) – i-ый вход нейрона j слоя n.

yj(n) = f(sj(n)), где f() – сигмоид  (12)

yq(0)=Iq, (13)

где Iq – q-ая компонента вектора входного образа.

2. Рассчитать (N) для выходного слоя по формуле (8).

Рассчитать по формуле (9) или (10) изменения весов w(N) слоя N.

3. Рассчитать по формулам (7) и (9) (или (7) и (10)) соответственно (n) и w(n) для всех остальных слоев, n=N-1,...1.

4. Скорректировать все веса в НС

(14)

5. Если ошибка сети существенна, перейти на шаг 1. В противном случае – конец.

Сети на шаге 1 попеременно в случайном порядке предъявляются все тренировочные образы, чтобы сеть, образно говоря, не забывала одни по мере запоминания других.


 

А также другие работы, которые могут Вас заинтересовать

14380. Определение емкостей конденсаторов и ЭДС гальванических элементов при помощи гальванометра 228.5 KB
  Определение емкостей конденсаторов и ЭДС гальванических элементов при помощи гальванометра Лабораторная работа №33 1. Цели и задачи: необходимо проградуировать баллистический гальванометр и определить емкости конденсаторов а также ёмкостей конденсаторов ...
14381. ИЗУЧЕНИЕ ЗАКОНОМЕРНОСТЕЙ ПРОХОЖДЕНИЯ ЭЛЕКТРОНОВ В ВАКУУМЕ. ЗАКОН СТЕПЕНИ ТРЕХ ВТОРЫХ. ОПРЕДЕЛЕНИЕ УДЕЛЬНОГО ЗАРЯДА ЭЛЕКТРОНА 612.5 KB
  Лабораторная работа 34 ИЗУЧЕНИЕ ЗАКОНОМЕРНОСТЕЙ ПРОХОЖДЕНИЯ ЭЛЕКТРОНОВ В ВАКУУМЕ. ЗАКОН СТЕПЕНИ ТРЕХ ВТОРЫХ. ОПРЕДЕЛЕНИЕ УДЕЛЬНОГО ЗАРЯДА ЭЛЕКТРОНА Физическое обоснование эксперимента Ток в проводниках во многих случаях подчиняется закону Ома...
14382. Проверка основного закона динамики для вращающихся тел 149 KB
  Лабораторная работа №3 Проверка основного закона динамики для вращающихся тел. Цель: Подтвердить что при неизменном моменте инерции системы угловое ускорение пропорционально моменту действующей силы и что при постоянном моменте силы действующей на тело угловое ус...
14383. Измерение чувствительности и внутреннего сопротивления стрелочного гальванометра. Шунты и добавочные сопротивления 141.5 KB
  Лабораторная работа № 32 по теме: €œИзмерение чувствительности и внутреннего сопротивления стрелочного гальванометра. Шунты и добавочные сопротивления€. Цель работы: I Определение внутреннего сопротивления гальванометра и его чувствительности по току и по напряж...
14384. Изучение свойств индуцированного излучения оптического квантового генератора 38.5 KB
  Работа №74.2 Изучение свойств индуцированного излучения оптического квантового генератора. Цель: Определить длину волны лазерного излучения и измерить угловую расходимость лазерного луча. Оборудование: Лазер на оптической скамье дифракционная решетка шка
14385. Дифракционная решетка 39.5 KB
  Работа №71.2 Дифракционная решетка Цель работы: Определить длины волн нескольких линий ртутного спектра с помощью дифракционной решетки. Оборудование: Ртутная лампа ПРК2 спектрогониометр дифракционная решетка. Порядок выполнения работы 1 Проверил з
14386. Определение емкостей конденсаторов и ЭДС гальванических элементов при помощи баллистического галванометра 49 KB
  Работа №33 Определение емкостей конденсаторов и ЭДС гальванических элементов при помощи баллистического галванометра. Цель: Измерить емкости конденсаторов и ЭДС гальванических элементов при помощи баллистического гальванометра. Оборудование: баллистический га
14387. Измерение сопротивления с помощью моста постоянного тока. Определение удельного сопротивления проводников 49 KB
  Работа №31 Измерение сопротивления с помощью моста постоянного тока. Определение удельного сопротивления проводников. Цель: Измерить сопротивление провдников с помощью моста постоянного тока. Определить удельное сопротивление проводника. Оборудование: 3 иссле
14388. Определение внутреннего сопротивления гальванометра 192.5 KB
  Лабораторная работа № 138 Цель работы: Определение внутреннего сопротивления гальванометра. Определение средней чувствительности и градуирование гальванометра. Изучение зависимости периода колебаний логарифмического декремента затухания и времени успокоения от со...