OUT
th(NET )
eNET e NET
Тоже применяется часто для сетей с непрерывными сигналами. Функция симметрична относи* тельно точки (0,0), это преимущество по сравнению с сигмоидой.
Производная также непрерывна и выражается через саму функцию.
Пологая ступенька (рис. ):
0, NET
NET
OUT ,
NET
1,
NET
Рассчитывается легко, но имеет разрывную первую производную в точках NET , NET , что усложняет алгоритм обучения.
Экспонента: OUT eNET . Применяется в специальных случаях.
SOFTMAX*функция:
eNET
i
OUT eNET
i
Здесь суммирование производится по всем нейронам данного слоя сети. Такой выбор функции обеспечивает сумму выходов слоя, равную единице при любых значениях сигналов NETi данного слоя. Это позволяет трактовать OUTi как вероятности событий, совокупность которых (все выходы
слоя) образует полную группу. Это полезное свойство позволяет применить SOFTMAX*функцию в
задачах классификации, проверки гипотез, распознавания образов и во всех других, где требуются выходы*вероятности.
Участки синусоиды:
OUT sin( NET ) для NET ,
или
NET ,
Гауссова кривая (рис. ):
2 2
OUT
1 NET m
e 2 2
Применяется в случаях, когда реакция нейрона должна быть максимальной для некоторого опре* деленного значения NET.
Линейная функция, OUT = K NET, K=const. Применяется для тех моделей сетей, где не требу* ется последовательное соединение слоев нейронов друг за другом.
Рис. . Виды функций активации.
Выбор функции активации определяется:
Спецификой задачи.
Удобством реализации на ЭВМ, в виде электрической схемы или другим способом.
Алгоритмом обучения: некоторые алгоритмы накладывают ограничения на вид функции акти* вации, их нужно учитывать.
Чаще всего вид нелинейности не оказывает принципиального влияния на решение задачи. Одна*
ко удачный выбор может сократить время обучения в несколько раз.
Ограничения модели нейрона
Вычисления выхода нейрона предполагаются мгновенными, не вносящими задержки. Непо* средственно моделировать динамические системы, имеющие "внутреннее состояние", с помо* щью таких нейронов нельзя.
В модели отсутствуют нервные импульсы. Нет модуляции уровня сигнала плотностью импуль* сов, как в нервной системе. Не появляются эффекты синхронизации, когда скопления нейро* нов обрабатывают информацию синхронно, под управлением периодических волн возбужде* ния*торможения.
Нет четких алгоритмов для выбора функции активации.
Нет механизмов, регулирующих работу сети в целом (пример * гормональная регуляция актив* ности в биологических нервных сетях).
Чрезмерная формализация понятий: "порог", "весовые коэффициенты". В реальных нейронах нет числового порога, он динамически меняется в зависимости от активности нейрона и обще* го состояния сети. Весовые коэффициенты синапсов тоже не постоянны. "Живые" синапсы обладают пластичностью и стабильностью: весовые коэффициенты настраиваются в зависимо* сти от сигналов, проходящих через синапс.
Существует большое разнообразие биологических синапсов. Они встречаются в различных частях клетки и выполняют различные функции. То' рмозные и возбуждающие синапсы реали* зуются в данной модели в виде весовых коэффициентов противоположного знака, но разнооб* разие синапсов этим не ограничивается. Дендро*дендритные, аксо*аксональные синапсы не реализуются в модели ФН.
В модели не прослеживается различие между градуальными потенциалами и нервными им* пульсами. Любой сигнал представляется в виде одного числа.
Итак, модель формального нейрона не является биоподобной и скорее похожа на математичес*
кую абстракцию, чем на живой нейрон. Тем удивительнее оказывается многообразие задач, решае* мых с помощью таких нейронов и универсальность получаемых алгоритмов.
Do'stlaringiz bilan baham: |