Теоретические сведения. В нейронной сети под словом знание подразумевается информация, предназначенная для интерпретации предсказания и реакции на внешнее событие

В нейронной сети под словом знание подразумевается информация, предназначенная для интерпретации предсказания и реакции на внешнее событие. Знание о внешнем мире в технических системах группируются в два вида [1]:

Априорная информация – заранее известные данные о нашем состоянии (показание инерциальной системы вагона – лаборатории, показание ручных часов, данные полученные по пикетным столбикам, сведения о структуре сигнала АЛСН и т.д.)

Наблюдения или измерения, полученные из окружающего мира (данные от допплеровского измерителя скоростей, данные от радиотехнического измерителя дальности, углы пеленгации сотовой связи, сигнал АЛСН). Такие измерения, как правило, зашумлены и являются потенциальным источником погрешностей. Следует отметить, что и априорные данные по определению должны быть с погрешностью.

Входы бывают маркированные и немаркированные. Маркированный вход должен поставить фиксированному входному сигналу желаемый отклик. Если вся система маркирована, то имеется набор входных шаблонов отображений и соответствующих набор откликов системы. В немаркированной системе каждый входной сигнал порождает несколько вариантов откликов системы. Множество пар сигналов вход-выход, каждая из которых состоит из входного сигнала и соответствующего выхода называется обучающей выборкой данных.

В нейронной сети заданной архитектуры знания об окружающей среде представляются значениями синоптических весов и порогов элементов узлов этой сети. Успех в представлении знаний означает высокую эффективность в нейросетевой модели. При представлении знаний существует 4 базовых правила:

Правило 1: Сходные входные сигналы от схожих классов должны сформировать в нейронной сети сходные представления, т.е. такие сигналы должны быть классифицированы, как принадлежащие к одной категории, мера сходности входных сигналов.

Для того, чтобы оценить меры отличия одного входного сигнала (x_i) от другого (x_j) используют евклидово расстояние d(x_i, x_j):

Чем ближе друг к другу отдельные элементы, тем меньше евклидово расстояние и тем больше сходство между x_i и x_j. Правило 1 означает, что если x_i и x_j схожи, то они должны породить при классификации один образ.

Правило 2: Элементы, отнесенные к различным классам, должны иметь в сети как можно более отличные друг от друга представления.

Правило 3: Если некоторые свойства имеют в сети важные значения, то для их представления в сети надо использовать много нейронов.

Возвращаясь к задаче сигналов АЛСН, мы можем утверждать, что эффективность системы оценивается двумя вероятностными величинами:

Вероятность обнаружения – вероятность того, что при наличии на входе изменений в цифре система эти отличия обнаружит

Вероятность ложной тревоги – вероятность того события, что система определит отличия в цифрах, когда на самом деле этих отличий нет.

В соответствии с критериями Неймана – Пирсона вероятность обнаружения должна быть максимальной, а вероятность ложной тревоги не должна превышать заданную величину. Увеличение числа нейронов способствует такому поведению.

Правило 4: В структуру нейронной сети должна быть встроена априорная информация; это упрощает архитектуру сети и облегчает её обучение.