Нейросетевые методы представления знаний
Методы представления знаний
Методы, ориентированные на формализацию знаний:
•логические модели, в том числе продукционные
•семантические сети
•фреймы
Методы, ориентированные на обучение:
•нейронные сети;
•байесовские сети (условные вероятности)
Получение знаний
Знания могут формализованы и вложены в системы человеком
•Системы, основанные на знаниях экспертные системы
Знания могут быть результатом обучения системы (с учителем или без учителя)
•Обучающиеся системы (нейронные сети, интеллектуальные роботы, когнитивные системы)
Теория нейронных сетей (НС) включают широкий круг вопросов из разных областей науки: биофизики, математики, информатики, схемотехники и технологии.
•Нейронные сети — самообучающиеся системы, имитирующие деятельность человеческого мозга.
•Искусственные нейронные сети — устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров (обрабатывающих элементов).
Задачи, которые могут решаться нейронных сетей, включают:
классификация, кластерный анализ, аппроксимацию функций, прогноз, оптимизация,
поиска по содержимому, распознавание образов.
Классификации НС
•По архитектуре связей: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.
•По структуре сети: неполносвязные (или слоистые) и полносвязные, со случайными и регулярными связями, с симметричными и несимметричными связями.
•По используемым на входах и выходах сигналам нейронные сети можно разделить на аналоговые и бинарные.
•По моделированию времени: сети с непрерывным и дискретным временем.
•По организации обучения: обучение нейронных сетей с учителем
(supervised neural networks), без учителя (nonsupervised).
•По особенностям модели нейрона: пороговой, экспоненциальной сигмоидой, рациональной сигмоидой, гиперболическим тангенсом.
Нейронная сеть может рассматриваться, как вычислительная система, которой на вход подается вектор ввода, а результатом вычислений является вектор вывода.
Многослойный перцептрон
Все слои нейронной сети пронумерованы последовательно от 0 до m, где
номер 0 соответствует входному слою номер m– выходному
nk– количество нейронов в слое k.
Нейроны каждого слоя соединены со всеми нейронами смежных слоев.
Топология нейронной сети (количество слоев, количество нейронов в каждом слое) обычно выбирается эмпирически, и строгих указаний для такого выбора не имеется.
Пример алгоритма обучения нейронной сети
1.задать произвольно значения весов связей нейронов
2.вычислить выход сети (Y)
3.выполнить рекурсивный алгоритм для вычисления новых значений весов
4.выполнить шаг 2 и т. д. до достижения min Σ(Ti-Yi)2
T – известное выходное значение
Алгоритм
обратного
распростра
нения
ошибки