Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Параллелизм и самоорганизация порогово-полиномиальной нейронной сети
Архитектура ПНС гетерогенна и представляет собой иерархическую последовательность нескольких однородных слоёв (непересекающихся подмножеств) параллельно работающих нейроэлементов (НЭ) различных типов. В различных слоях гетерогенной ПНС могут использоваться разные НЭ, но каждый слой (подмножество НЭ) является однородным (гомогенным). При этом обработка информации в каждом слое НЭ осуществляется параллельно. Каналы связи между предыдущим и последующим слоями гетерогенной ПНС являются однонаправленными (односторонними) и имеют регулируемые веса (синаптические параметры). Эти веса каналов связи настраиваются в процессе обучения и самоорганизации архитектуры ПНС по имеющимся экспериментальным данным или прецедентам вида (11.7), называемым обучающей базой данных (ОБД). Опишем формально гетерогенную архитектуру трёхслойной порогово-полиномиальной нейронной сети (ППНС) и рассмотрим принципы её самоорганизации [17, 18, 37, 55]. Первый слой ППНС состоит из n пороговых нейроэлементов (НЭ), на вход которых параллельно поступают сигналы y1 (w), …, yp (w), характеризующие различные свойства объекта w, а на выходе формируется вектор двоичных сигналов (бинарный код) х(w)= , где xi = xi (y1, …yp). Этот бинарный код является выходом НЭ первого слоя ППНС. На входы каждого “ассоциативного” НЭ второго слоя поступает вектор x (w) бинарных сигналов с “рецепторных” (кодирующих) пороговых НЭ первого слоя. Эти “ассоциативные” НЭ реализуют полиномиальные преобразования aj (x) входных сигналов и называются П-нейронами или мультипликативными НЭ. Выходом второго слоя ППНС является вектор двоичных сигналов . Третий слой ППНС состоит из “решающих” пороговых НЭ, на вход которых поступает вектор выходных сигналов aj (x) полиномиальных НЭ второго слоя. Затем эти сигналы умножаются на синаптические веса uj, суммируются и преобразуются в выходные сигналы НЭ третьего слоя в виде суперпозиций функций (11.12) где –настраиваемые синаптические параметры, а К - число непересекающихся классов (образов). Каждая решающая (идентифицирующая) функция R k (w) вида (11.8) является характеристической функцией k-го класса. Поэтому она отделяет объекты k-го класса от остальных. Множество таких идентифицирующих функций глобально (коллективно) решает задачу классификации образов. Принцип самоорганизации ППНС с гетерогенной архитектурой заключается в построении “ассоциативных” полиномов aj (x) непосредственно по обучающей базе данных (ОБД) (11.7) в виде одночленов (11.13) Здесь m – число элементов (мощность) ОБД, определяющее оценку сверху на число N необходимых полиномиальных НЭ второго слоя ППНС, т.е. m ³ N ³ K. Чтобы минимизировать сложность ППНС, нужно найти в идентифицирующих функциях вида (11.8) векторы синаптических параметров с максимальным числом нулевых компонент. Это приводит к автоматической ликвидации неинформативных (избыточных) синаптических связей в гетерогенной ППНС без потери точности принимаемых решений на ОБД. Быстрые рекуррентные алгоритмы обучения и минимизации сложности гетерогенной ППНС были предложены в [17, 18, 37, 103]. Они осуществляют отображение ОБД вида (11.7) на множество синаптических параметров пороговых НЭ третьего слоя ППНС, причём число шагов алгоритма обучения r £ m. Степень параллелизма при распознавании и идентификации образов определяется тем, что принятие решений осуществляется ППНС за 3 такта одновременных вычислений в каждом слое НЭ независимо от размерности решаемой задачи D= n ´ m ´ K. Самоорганизация ППНС обеспечивается тем, что НЭ второго слоя формируются согласно (11.9) непосредственно по ОБД (11.7). Гетерогенность архитектуры ППНС определяется тем, что первый и третий слой состоят из пороговых НЭ, а второй слой – только из полиномиальных НЭ.
|