Ko’p qatlamli neyron tarmoqlari reja

Tadqiqot

• 
  Neyron tarmoqlarning biokimyoviy va fiziologik xususiyatlarini o'rganish neyrofiziologiyaning predmeti hisoblanadi.
  
• 
  Neyroinformatikada sun'iy neyron tarmoqlar yordamida kompyuter yordamida neyron tarmoqlarini simulyatsiya qilishga yoki neyron tarmoqlarning xususiyatlarini dasturiy ta'minot uchun foydalanishga yaroqli qilishga urinishlar amalga oshiriladi.
  
• 
  Neyron tarmoqlarning kontseptual abstraksiyasi nazariy biologiyada ham sodir bo'ladi.
  
• 
  Xususan, hisoblash nevrologiyasida biologik sharoitlardan turli darajadagi abstraksiyaga ega model neyronlar ularning dinamikasini va axborotni qayta ishlash qobiliyatini tekshirish uchun simulyatsiya qilingan sinapslar yordamida tarmoqlarga ulanadi. Matematik jihatdan sodda modellar bo'lsa, bu matematik tahlil orqali, lekin asosan kompyuter simulyatsiyasi orqali amalga oshiriladi.
  
• 
  O'tgan asrning saksoninchi va to'qsoninchi yillarida fiziklar ham bu sohaga kirishdilar va o'sha paytda tushunishga katta hissa qo'shdilar. Hozirgi vaqtda neyron tarmoqlar yuqori energiyali fizikada, masalan, yuqori fizikada tahlil qilish uchun ishlatiladi. Ko'p o'lchovli deb ataladigan usullar katlanmış eksperimental ma'lumotlarni ajratishning muhim qismidir.
  

Neyron tarmoqlari
Neyron tarmoqlari, neyron tarmoqlari, qisqartma. NN, E. neyron tarmoqlari, 1) Nerv hujayralarining bir-biri bilan sinapslar orqali bog'langan tarmoqlari (nerv tarmoqlari). 2) sun'iy neyron tarmoqlari (Qisqa. KNN), kompyuterda amalga oshirilgan neyron tarmoqlarning simulyatsiya modellari, ya'ni sun'iy neyronlar tarmoqlari. Biologik yo'naltirilgan va texnik yo'naltirilgan simulyatsiyalar o'rtasida farqlanadi. In biologik yo'naltirilgan simulyatsiyalar asosiy e'tibor neyrobiologiyada o'rganiladigan neyron xususiyatlarini eng ishonchli ko'paytirishga qaratilgan (shpiklar, dinamik sinapslar, dendritlar va aksonlarda elektr signallarining o'tkazuvchanligi). In texnik yo'naltirilgan simulyatsiyalar Bu texnik muammolarni hal qilish uchun sun'iy neyron tarmoqlardan foydalanish haqida, masalan, naqshni aniqlash yoki vaqt seriyalarini bashorat qilishda - bu neyroinformatikaning mavzusi (1-rasmga qarang). & # 8211 Texnik muammolarni hal qilish uchun ANN qurishni yangi dasturlash paradigmasi sifatida ko'rish mumkin: Siz tarmoq tuzilishini va shunday deb atalmishni berasiz. O'rganish qoidasi oldin, shundan so'ng tarmoq o'rganilishi kerak bo'lgan funktsiyaga moslasha oladi va keyin namunaviy ma'lumotlardan foydalangan holda neyron tarmoqni "o'rgatadi" (1-jadvalga qarang). Bu erda neyron tarmoqlarning moslashuvi va o'rganish qobiliyati asosan "dasturlashni", ya'ni dasturlarni yaratish va o'zgartirishni osonlashtirish uchun ishlatiladi. Tez-tez ANN dan foydalanishga olib keladigan yana bir texnik jihat shundaki, ANN simulyatsiyasini printsipial jihatdan parallellashtirish mumkin. Buning sababi shundaki, neyron tarmog'idagi barcha neyronlar bir vaqtning o'zida ishlaydi, aksariyat algoritmlarni parallel ravishda osonlikcha bajarib bo'lmaydi (ya'ni, bir vaqtning o'zida turli protsessorlar tomonidan). Parallel kompyuterlardan samarali foydalanish vaqti-vaqti bilan, ayniqsa, muhim vaqt talab qiladigan ilovalar uchun, shuningdek, juda ko'p hisoblashni talab qiladigan muammolar uchun zarur bo'ladi, masalan, o'rganish orqali neyron ulanish strukturasini optimallashtirishda (texnik neyron tarmoqlarning asosiy turlari, 2-jadvalga qarang).
Sun'iy neyron tarmoqlarning tuzilishi: ANN rasmiy neyronlar yoki neyron modellari tarmog'idir. U asosan uchta komponent bilan belgilanadi: & # 8211 1) Bu Neyron modeli bitta neyronning kirish-chiqish munosabatlarini tavsiflaydi. Neyron ko'p kirish va bitta chiqishga ega. Ko'pgina modellarda kirishlar (x₁. x_n) og'irlik vektoridan olingan og'irliklar bilan w = (w ₁. w _n) ko'paytiriladi va keyin qo'shiladi:

.
Bu chiziqli bo'lmagan funktsiyaga aylanadi f chiqish signali hisoblaydi: a = f(d). Bu ko'pincha amalga oshiriladi f neyronning javob xarakteristikasi yoki xarakterli egri chizig'i sifatida, a "aksonal faoliyat" sifatida va d "dendritik potentsial" deb ataladi. Bu biologik neyrondagi akson va dendritning mos keladigan funktsiyasi bilan bog'liq. Stokastik neyron modellarida uzatish funktsiyasi rol o'ynaydi f dan d keyin a bir tasodif jarayoni & # 223 u bilan. Bu modellar, masalan, dendritik membrana potentsialidagi statistik dalgalanmalar. Ayniqsa, oddiy neyron modeli bilan, deb atalmish Eshik neyroni yoki Makkaloch-Pitts neyroni, qo'zg'alish ostonasiga aylanadi θ dendritik faollik bilan oldindan belgilanadi d & # 252 dan oshib ketishi kerak, shunda neyron chiqish hosil qiladi (ko'pincha boshoq sifatida talqin qilinadi) (a = 1). Shunday ekan f(d) = f_θ(d) = 1 agar d ≥ θ , va boshqacha f_θ(d) = 0. Differensiallanuvchi sigmasimon funktsiya ham juda keng tarqalgan f ishlatilgan: the Fermi funktsiyasi f(d) = 1 / (1 + ekspluatatsiya (-)& # 946d)). Bunday holda, chiqish a = f(d) kabi Tiklanish tezligi talqin qilingan. & # 8211 2) The Bog'lanish tuzilishi sun'iy neyronlar qanday o'zaro bog'langanligini ko'rsatadi, qaysi neyronlar kirishlari orqali yoki to'g'ridan-to'g'ri chiqish faolligi orqali tarmoqqa kirishlarni va qaysi neyronlar chiqishlari orqali chiqishlarni ifodalaydi. Eng oddiy holatda, ichki ulanish tuzilishi oddiygina matritsa orqali bo'lishi mumkin C. = (c_ij), masalan. c_ij = 1, agar neyron i neyron bilan j ulangan va boshqa c_ij = 0 yoki c_ij haqiqiy son sifatida neyronlar orasidagi aloqaning kuchi i va neyron j bildiradi. Ijobiy raqamlar hayajonga sabab bo'lgan birikmalarni, salbiy raqamlar esa inhibitiv birikmalarni bildiradi. Biologik neyron tarmoqlarda bu ulanishlar sinapslar orqali o'rnatiladi, bu erda kimyoviy uzatuvchi (neyrotransmitter) quyi oqim (ya'ni postsinaptik) hujayrada ogohlantiruvchi yoki inhibe qiluvchi ta'sirni hosil qiladi. Tarmoqning bu ulanish strukturasini vaznli grafik bilan ham yaxshi ifodalash mumkin. Neyronlar tugunlar, ulanishlar esa grafik qirralari sifatida ko'rsatilgan. Asimmetrik ulanishlar bo'lsa, ulanish yo'nalishi o'q bilan ko'rsatiladi. Ulanish kuchlari qirralarning og'irlik qiymatlari sifatida yozilishi mumkin. & # 8211 Bog'lanish tuzilishini tasniflash uchun muhim ahamiyatga ega oldinga bog'langan (uzatiladigan tarmoq) va r & # 252 fikr-mulohaza (Tekshiruv) tarmoqlarni farqlash uchun. Oldinga bog'langan tarmoqlarda neyronning faolligi bir necha oraliq bosqichlardan so'ng bir xil neyronga qaytarilishi mumkin bo'lgan yopiq halqalar (tsikllar) mavjud emas. Bu, ayniqsa, oldinga bog'langan oddiy tarmoqlar ko'p qatlamli perseptronlar (E. ko'p qatlamli perseptronlar)har bir qatlamda bir qancha sun'iy neyronlar mavjud. Birinchi qatlam neyronlari o'zlarining aksonal faolligi orqali tarmoqqa kirishni ifodalaydi, qatlamning barcha neyronlari keyingi qatlamning barcha neyronlari bilan bog'langan va oxirgi qatlam neyronlari tarmoqning chiqishini ifodalaydi. The O'rganish qoidasi bog‘lanishlar qanday ekanligini ko‘rsatadi c_ij yoki og'irliklar w_ij ikki neyron o'rtasida i va j o'zgarish (sinaptik plastisiya). da mahalliy ta'lim qoidalari & # 196 o'zgarishi & # 916 ilova qilinganc_ij dan c_ij faqat neyron faoliyatidan i va neyronda j deb atalmish ham dan O'qituvchi signali T_j f & # 252r neyroni j va, muayyan sharoitlarda, qo'shimcha "o'rganish signali" e'tiborga olinishi kerak, bu o'rganish amalga oshirilishi kerakmi yoki yo'qligini ko'rsatadi (& # 916c_ij = 0). Eng keng tarqalgan o'rganish qoidalari mahsulot qoidalari: ularda "o'zgarish" mavjudc_ij ikki omil mahsuloti A. va B.ularning har biri faqat aksonal faollikka bog'liq a_i yoki dendritik faollik d_j Bog'liqliklar: & # 916c_ij = A.(a_i) · B.(d_j). Buning alohida holatlari Hebb o'rganish qoidalari: & # 916c_ij & # 8776 la_i · a_j, va farq qoidalari: & # 916c_ij & # 8776 la_i · (T_j-a_j), bu ham o'qituvchi signalini talab qiladi. l & # 8805 0 omili ham deyiladi O'rganish darajasi tayinlangan. Bu sinapsning qanchalik o'zgarganligini ko'rsatadi.Agar l = 0 bo'lsa, o'zgarish bo'lmaydi. Ko'pgina modellarda o'rganish jarayonida o'rganish tezligi kamayadi, keyinchalik u vaqtga bog'liq l = l (t) (qo'shimcha ma'lumotga qarang).