Нейронные сети, как способ обработки данных

Для однослойной нейронной сети рассмотрим процесс функционирования более подробно. Каждый элемент вектора входа соединен со всеми входами нейрона и это соединение задается матрицей весов W; при этом каждый нейрон включает суммирующий элемент, который формирует скалярный выход . Совокупность скалярных функций объединяются в – элементный вектор входа функции активации слоя. Выходы слоя нейронов формируют вектор столбец а, и таким образом описание слоя нейтронов имеет вид и описывает одиночный маршрут. Структурная схема однослойной нейронной сети представлена на Рисунке 10.8, здесь – вектор входа , – весовая матрица векторы размера .

На данном этапе разработки аналитическим способом подобраны оптимальные значения факторов. По количеству факторов определено число нейронов в сети. Модель нейронной сети выбирает образ из набора, который содержится в её памяти.

Рис. 10.8.

НС представляет собой адаптивную систему, жизненный цикл которой состоит из двух независимых фаз – обучения и работы сети.

Обучение сети состоит в поиске вектора , для которого суммарная ошибка по всем маршрутам минимальна:

( 10.8)

Для исследования процесса маршрутизации в вычислительных сетях используем нейронные сети прямого распространения с частичной структурой связей.

Обучение — это процесс, в результате которого система постепенно приобретает способность отвечать нужными реакциями на определенные совокупности внешних воздействий, а адаптация — это подстройка параметров и структуры системы с целью достижения требуемого качества управления в условиях непрерывных изменений внешних условий.

Кроме того, результат самообучения характеризует пригодность выбранного пространства для конкретной задачи обучения распознаванию. Если абстрактные образы, выделяемые в процессе самообучения, совпадают с реальными, то пространство выбрано удачно. Чем сильнее абстрактные образы отличаются от реальных, тем "неудобнее" выбранное пространство для конкретной задачи.

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.

   ( 10.9)

   где – число нейронов в слое с учетом нейрона с постоянным выходным состоянием +1, задающего смещение; – i-ый вход нейрона слоя .

   ( 10.10)

   где -сигмоиддальная функция

   ( 10.11)

   где - q-я компонента вектора входного образа.
2. Скорректировать все веса в НС

   ( 10.11)

3. 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. Алгоритм иллюстрируется на рисунке 10.9.

Рис. 10.9. Диаграмма сигналов в сети

В процессе обучения линейной сети траектория будет перемещаться из начальной точки в точку минимума критерия качества.