Системы, основанные на знаниях 93

Искусственная нейронная сеть в общем случае характеризуется следующими параметрами:

□ Адаптивная обучаемость. В контексте искусственной нейронной сети обуча­
емость означает, что сеть может усваивать различные варианты поведения в
зависимости от того, какие данные поступают на ее вход. Вместо того чтобы
диктовать сети, как она должна реагировать на каждую порцию данных (как
это было бы в случае обычного программирования), сеть сама находит сходства
и различия в поступающих данных. По мере поступления новых данных обуче­
ние продолжается, и поведение сети изменяется.

□ Самоорганизация. По мере того как данные поступают на вход сети, сеть имеет
возможность изменять весовые коэффициенты тех или иных соединений. Тем
самым, по мере поступления новых данных, практически изменяется структура
сети. Эффективность самоорганизации сети зависит от начальной структуры
соединений и выбранного в качестве математической модели алгоритма об­
учения (тренинга).

□ Устойчивость к ошибкам. Искусственная нейронная сеть умеет выделять из
потока данных важные свойства и усиливать их, при этом слабо реагируя на
случайные, искаженные или совершенно новые данные (свойства). Таким об­
разом данные, не несущие в себе повторяющихся закономерностей (другими
словами, помехи), просто отбрасываются нейронной сетью, обеспечивая тем
самым устойчивость к ошибкам.

□ Работа в режиме реального времени и параллельная обработка информации.
Эти преимущества нейронных сетей проявляются только в промышленном ис­
полнении (когда каждый нейрон действительно представляет собой отдельный
процессор) и не могут быть получены при программной эмуляции нейронов.

Основными признаками для классификации искусственных нейронных сетей являются архитектура и связанный с ней алгоритм обучения. По этим признакам искусственные нейронные сети можно классифицировать так, как это показано на рис. 3.9.

В этой классификации можно отметить несколько моментов.

□ Обучение с учителем — класс искусственных нейронных сетей, для которого
заранее известен диапазон выходных данных. В случае, когда после преобразо­
вания входных данных и получения выходных данных последние не укладыва­
ются в заранее заданные диапазон значений, нейронная сеть получает сигналы
обратной связи и корректирует свою структуру с целью уменьшения ошибки.

Пример. При распознавании изображений оператор (человек или электронное устройство) сообщает нейронной сети, правильно или нет она распознала изо­бражение.

□ Обучение без учителя — класс искусственных нейронных сетей, для которого
диапазон выходных значений не задан и обучение сети проводится только на
основании закономерностей, обнаруженных во входных сигналах.

Глава 3. Теоретические основы управления знаниями

Рис. 3.9. Классификация нейронных сетей

□ Многослойный перцептрон — искусственная нейронная сеть, состоящая из
О входного слоя нейронов, на которые поступают входные сигналы;

О выходного слоя нейронов, передающего выходные сигналы на интерфейс пользователя;

О скрытых слоев нейронов, расположенных между входным и выходным слоями;

О механизма (или алгоритма) обратного распространения, обеспечивающего при наступлении ошибки (несовпадении выходного сигнала с шаблоном) последовательную корректировку всех весовых коэффициентов связей, на­чиная с ближнего к выходному скрытого слоя и заканчивая входным слоем, с целью устранения этой ошибки.

□ Сеть с радиально-базисной функцией — искусственная нейронная сеть, имею­
щая, кроме входного и выходного, один скрытый слой и использующая в ка­
честве активационной функции нейронов скрытого слоя радиально-базисную
функцию (РБФ), которая в общем виде выглядит так:

□ Байесовская сеть — искусственная нейронная сеть, использующая в качестве математической модели сеть Байеса, связывающую между собой множество переменных (весовых коэффициентов) и их вероятностных зависимостей (ак-тивационных функций).