Краткие теоретические сведения о теории нейронных сетей

Понятие «нейронные сети» появилось в 40-х годах XX века в среде нейробиологов и нейроанатомов, изучавших организацию и функционирование мозга. Углубление представлений о функционировании нейронов дало возможность исследователям создавать математические модели проверки собственных теорий. Появились так называемые искусственные нейронные сети (НС), представляющие собой наборы элементарных преобразователей информации (нейронов), соединенных друг с другом каналами обмена информацией для их совместной работы.

Наибольшую популярность из разработанных архитектур НС получили сети прямого распространения (т.е. без обратных связей) – многослойные персептроны. Многослойный персептрон состоит из нескольких слоев нейронов: входного слоя, одного или нескольких скрытых или промежуточных и выходного слоя. На рисунке 2 представлен пример такой нейронной сети.

Отличительные особенности персептрона:

- нейроны каждого слоя не связаны между собой;

- входной сигнал каждого нейрона поступает на входы всех нейронов последующего слоя;

- нейроны входного слоя не осуществляют преобразования входных сигналов.

Рисунок 2 – Нейронная сеть вида (3-4-2)

В каждом нейроне выполняется определенное вычислительное действие в соответствии с функцией активации нейрона, среди которых выделяют:

2) сигмоидная функция     ;

3) гиперболический тангенс ;

4) гладкие сжимающие функции ,

где Q – порог (смещение); a - параметр, определяющий крутизну статической характеристики нейрона.

Одной из важных особенностей нейронных сетей является их способность к обучению, которое заключается к подстройке весов синаптических связей в процессе обучения по предлагаемым примерам. Обучение сети ведется по специализировано разработанным алгоритмам на основе обучающей выборки с целью приближения выхода нейронной сети к желаемому значению.

НС может функционировать в двух режимах:

- эксплуатации, когда на вход подаются сигналы, а на выходе снимаются результаты вычислений;

- обучения, когда происходит корректировка весов таким образом, чтобы выходные сигналы наиболее точно соответствовали желаемым.

От качества обучения НС зависит точность ее работы в режиме эксплуатации.

Примером применения нейронных сетей является их использование в задачах аппроксимации функций. В связи с этим сети часто называют «универсальными аппроксиматорами».

Выполнение задания курсовой работы связано с получением нейронной сети, аппроксимирующей нелинейные связи между выходными и входными параметрами объекта, т.е. разработкой нейросетевой модели объекта управления.