Нейрожүйе

Жоспар
Кіріспе

Кіріспе
Нейрон моделі
1.1 Қарапайым нейрон
1.2. Активация функциясы
1.2 Кіріс векторлы нейрон
2. Нейрондық жүйелердің архитектурасы
2.1. Бір қабатты жүйе
2.2. Көпқабатты жүйелер
2.3. Сигналды тікелей жіберу жүйесі
3. Желілерді инициализациялау, модельдеу және құру
Персептрон

Соңғы уақытта нейрондық жүйелерде ұлкен қызығушылық байқалады. Ол көптеген салаларда қолданыс тапты: медицинада, бизнесте, техникада. Нейрондык жүйелерді басқару, болжау, классификация мәселелерін шешуде қолданылады.
Нейрожүйенің ерекшелігі, ол оқыту механизмінде (механизм обучения) қолданылады. Нейрондық жүйе қолданушысы өкілі деректерді таңдап және оқытылатын алгоритмдерді жібереді. Алгоритм өз бетімен параметрлерді қалыптастырады. Қолданушыға қойылатын негізгі талаптар, бұл – эвритистикалық біілімнің болуы, яғни деректерді дайындау, нейрондық жүйелердің архитектурасын таңдау. Алынған нәтижелерден қорытынды шығару.

Пән: Автоматтандыру, Техника
Жұмыс түрі: Материал
Тегін: Антиплагиат
Көлемі: 14 бет
Таңдаулыға:

Кіріспе
Соңғы уақытта нейрондық жүйелерде ұлкен қызығушылық байқалады. Ол көптеген салаларда қолданыс тапты: медицинада, бизнесте, техникада. Нейрондык жүйелерді басқару, болжау, классификация мәселелерін шешуде қолданылады.
Нейрожүйенің ерекшелігі, ол оқыту механизмінде (механизм обучения) қолданылады. Нейрондық жүйе қолданушысы өкілі деректерді таңдап және оқытылатын алгоритмдерді жібереді. Алгоритм өз бетімен параметрлерді қалыптастырады. Қолданушыға қойылатын негізгі талаптар, бұл - эвритистикалық біілімнің болуы, яғни деректерді дайындау, нейрондық жүйелердің архитектурасын таңдау. Алынған нәтижелерден қорытынды шығару. Айта кететін болсақ, қолданушыға нейрондық жүйе қолдану барысында қойылатын талаптар әлдеқайда аз болып келеді, мысал үшін дәстүрлі әдістерге қарағанда.
Дегенмен, жасанды нейрондық жүйе қарапайым нервтік жүйенің биологиялық моделі бойынша жасалынған.
Нейроннан алынатын сигналдың қарқыны байланыс сызығының белсенділігіне байланысты. Әрбір байланыс сызығының өзіне тән ұзндығы болады. Сол арқылы арнайы химиялық заттар сигнал жібереді.
Көп нейроннын тұрайтын ми өте қиын операцияларды жүзеге асыруға қабілетті. Дәл осындай модельді жасанды нейрондық жүйелер іске асырады.Жасанды нейрондық жүйе сонымен қатар өзара параллельді әрекет ететін қарапайым элементтерден құралған. Нейрондық жүйе функциялары табиғаттағыдай элементтер арасындағы байланыс бойынша анықталады. Байланыс коэффиценттерінің мәндерін өзгерте отырып, нейрондық жүйелерді белгілі бір функцияларды жүзеге асыру үшін оқытуға болады. Әдетте жасанды нейрондық жүйе белгілі бір нақты кірістер мақсатты шығыстарға айнлатындай етіп оқытады. Шығыс және мақсат сигналдарын бір біріне сәйкес келгенше салыстыру арқылы оқытылады.
Жасанды нейрондық жүйе негізінде интеллектуалды жүйелер, бейнелерді таңдауы, бақлаудың орындалуын, ассоциативті жады және басқалардың мәселелерін орындап келе жатыр.
ППП Neural Network Toolbox қолданушыларға проектілеу әдістерін дамыту және нейрондық жүйелерді қолдану аймағын кеңейту үшін қызмет ететін құрал.
Нейрондық жүйелер көптеген салаларда әр түрлі мәселелерді шешуде қолданылады:
* Космонавтика мен аэронавтикада
* Машина жинау
* Банк ісінде
* Әскери салада
* Электроникада
* Қаржы ісінде
* Сақтандыру саласында
* Өндірісте
* Медицинада
* Мұнайгаз өндірісінде
* Робототехникада
* Деректер жіберуде

Нейрон моделі
0.1 Қарапайым нейрон
Нейрондық жүйе қарапайым ұяшығы болып нейрон болып табылады. Бір скалярлы кірісті нейронның құрылысы 1.1,а.суретте көрсетілген
1.1 сурет
Скалярлы кіріс p сигналы скалярлы w аймақты коэффицентіне көбейтіледі,нәтижесінде шығатын өлшенген кіріс W x P нейрон активациясы функциясының аргументі болболсаып табылады. Сөйтіп а скалярлы шығысты тудырады.
1.1, в суретінде көрсетіген скалярлы жылжу өлшенген кіріс W x P арқылы есептеледі және f функциясының аргументінің b шамасына жылжуына алып келеді.
Егер нейронның мәні 1-ге тең болатын екінші кіріс сигналы бар болса, жылжу әрекетін салыстыру схемасына сәйкстендіруге болады.
Кірістің нейрон активация n функциясы сол қалпында скалярлы болып қалады, сонымен қатар салыстыру кірісі мен b ығысу шамасының қосындысына тең болады. Ол f активация функциясының аргументі болып табылады. Ал шығыс функциясының активация а сигналы болып табылады. W және b тұрақтылары нейронның скалярлы параметрлері болып есептеледі. Нейрондық желілер негізгі принципі нейрон параметрлерін өзгерту арқылы жүйенің нақты жұмыс атқаруына оқытуға болады. Сонымен қатар жүйенің өзін-өзі жөндейтіндей етіп үйретуге болады.
Нейрондардың жылжу теңдеуі:
a = f(w.*p+b* 1). (1.1)
Жоғарыда көрсетіле кеткендей b жылжуы - нейронныңкіріс болып табылмайтын скалярлы параметрі, ал мұндағы 1-тұрақтысы кіріс болып табылады және жылжуды басқарады
a=w b p1

1.2. Активация функциясы
Нейронның активация функциясы әр түрлі болады. F активация функциясы n аргументі және а шығысты сигмоидальді функция тобына кіреді.
Кең таралған функция активациясының 3 түрлі формасын қарастырайық. Hardlim қатал шектеулі функция активациясы. Бұл функция а = hardlim(n) = 1(n) қатынасын сипаттайды және ол 2.2 суретте көрсетілген. Егер n0 ол 0-ге тең, ал n0, онда 1-ге тең.
2.2 сурет
ППП Neural Network Toolbox құрамына қатал шектеулі функция активациясн жүзеге асыратын hardlim M-функциясы кіреді. Операторларды Matlab тілінде
қолдана отырып, омы функцияның графигін құрастыруға болады.
n = -5:0.1:5;
plot(n,hardlim(n),'c+:');
Нәтижесінде -5тен +5ке дейінгі мәндер арасында hardlim функциясының графигін аламыз. (сур. 1.2)
Purelin сызықты активация функциясы. Бұл функция а = purelin(n)=n байланысын сипаттайды. (сур.1,3)
сурет 1.3

Logsig логистикалық активация функциясы. Бұл функция а = logsig(n) = 1(1 + ехр(-n)) байланысын сипаттайды. 1.4 суретінде көрсетілген. Ол сигмоидальді функция тобына кіреді. Және оның аргументі -infinity тен +infinity ке дейінгі диапазон аралығындағы кез келген мәнді қабылдай алады.Ал шығыс 0 мен 1 аралығында ғана өзгереді. ППП Neural Network Toolbox logsig M-функция түрінде берілген. Дифференциалдау қасиетіне байланысты бұл функция жүйелерінде қателіктерді кері тарату негізінде оқытуга қолданылады.
сурет 1.4
Квадрат ішіндегі сурет функция активациясын көрсетеді. Бұл сурет нейрондық жүйелердің құрылымдық схемаларында қолданылады.
ППП Neural Network Toolbox активациясының басқа да функцияларын қамтиды. Matlab тілін қолдана отырып, пайдаланушы өзінің жеке қайталанбас функцияларын жасай алады.

0.2 Кіріс векторлы нейрон
1.5 суретте p1,p2 ... .pn R элементтер мен бір векторлы P шығыс векторы көрсетілген. Мұндағы әрбір элементті сәйкесінше w11,w12 ... .w1R - ге көбейтіледі, және өлшенген мәндер сумматорға жіберіледі. Олардың қосындысы W жолының P кіріс векторына скалярлы көбейтіндісіне тең болады.
сурет 1.5
Нейронның кірістердің қосындысымен өлшенетін b жылжуы бар. Нәтижесіндегі n қосынды:
n=w11p1+w12p2 + ... +w1RpR+ b (1.3)
F активация функциясының аргументі болып табылады. Matlab тілінде мынадай түрде жазылады:
n= W*p + b. (1.4)
Үстінде көрсетілген нейронның құрылымында көптеген артық бөлшектер бар.
Көп нейроннан тұратын жүйелерді қарастырғанда нейронның үлкейтілген құрылымдық сұлбасы қолданылады.(сур.1.6)
сурет 1.6
Суретте нейронның кірісі қара вертикальді сызық түрінде көрсетілген. Ол R кіріс элементінің санын көрсетеді. P кіріс векторының өлшемі p символының астында жазылады және Rx1-ге тең. Кіріс векторы ұзындығы R ұзындықты W жол-векторына көбейтіледі. Айта кеткендей, 1 тұрақтысы скалярля жылжу b-ға көбейтілетін кіріс ретінде қарастырылады. Нейронның активация функциясының n кірісі b жылжуы мен WxP көбейтіндісі мен қосындысы болып табылады. Бұл қосынды f активация функциясына айналады және шығыс кезінде нейронның а шығысын аламыз. Мұндағы а-скалярлы шама болып табылады. 1.6 суретінде көрсетілген құрылымдық сұлба жүйе қабаты деп аталады. Қабат W салмақ, b жылжу WxP көбейту операциясымен f активация функциясмен қосындысы арқылы сипатталады. Р кіріс векторы әдетте қабат сипаттамасына кіреді.
Үлкейтілген құрылымдық сұлбада активация функциясының түрін көрсету үшін арнацы графикалық символдар қолданылады. Олардың кейбір түрлері 1.7 суретінде көрсетілген. а- баспалдақты, б- сызықты, в- логистикалық.
сурет 1.7

2. Нейрондық жүйелердің архитектурасы
Нейрондық жүйелер бір немесе бірнеше қабаттан тұруы мүмкін. Және оларды сәйкесінше бір қабатты және көп қабатты деп ажыратамыз.
2.1. Бір қабатты жүйе
R кіріс элементтері мен S-нейрондардан тұратын бір қабатты жүйенің схемасы көрсетілген. (2.8 сурет)
сурет 2.8
Бұл жүйедегі әрбір вектордың элементі нейронның барлық шығысымен байланысты, және бұл байланыс W массасының матрицасы арқылы беріледі. Сонымен қатар әрбір і-ші нейрон скалярлы шығыс n(i)-ді қалыптастыратын элементтердің жиынтығы болып табылады. n(i) скалярлы функциясының жиынтығы қабаттың п функция активациясының S-элементтік шығыс векторына қосылады.Нейронның қабат шығысы а баған-векторын қалыптастырады, осыдан, нейрон қабатының сипаттамасы мынадай болады:
a = f(W*p+b). (2.5)
Қабаттағы R шығыстың саны Sнейронның санымен сәйкес келмеуі мүмкін. Алайда нейрондардың құрылымдық қабаттарын басқа активация функциясын қолданып (2.8 суреттегідей)жасауға болады. Екі жүйенің де кірістері өзгермейді. Кіріс вектор элементтері жүйеге W масса матрицасы арқылы жіберіледі:
(2.6)
W матрицасының жол индексі нейрон салмағының бағытталуын кқрсетеді, ал баған индекстері - бұл салмақтың кірісінің көзі болып табылады. Осыдан, салмақ матрицасының элементі w12 = W(l, 2) бірінші нейрон жіберу кезінде кірістің екінші элементін көбейтетін коэффицент. S нейрондардан тұратын бірқабатты жүйе үшін үлкейтілген құрылымдық сұлба 2.9 суретте көрсетілген:
2.9 сурет
Мұндағы р- Rx1 кіріс векторының өлшемі, w - SxR салмақ матрицасының өлшемі, a,b,n- Sx1өлшемді вектор.

2.2. Көпқабатты жүйелер
Бірнеше қабатты желіні қарастырайық. Қабаттың кіріс салмағының кірісіне байланысын салмақ матриасы деп, ал қабаттан бөліетін сигналға арналған салмақ матрицасын шығыс қабаттың салмағы деп атаймыз. Енді, нейрондық жүйелерде әр түрлі салмақ пен элементтерге арналған адресаттарды көрсету үшін жоғарғы жағына индекстерді қоямыз. Біріншіден, біз көпқабатты жүйенің бір қабатын қарастырып кетейік:
сурет 2.10
Кірістермен байланысқан салмақ матрицасын IW11 деп белгілейік, жоғарысындағы индекстер кіріс көзі бірінші қабат екенін , және де ... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.