Mesterséges neuronhálózatok
Download
Report
Transcript Mesterséges neuronhálózatok
Mesterséges neuronhálózatok
Neurális hálózat
Gépi tanulás egyik módja
Mesterséges neuronokból áll
McCulloch-Pitts neuron
több súlyozott bemenet
küszöbfüggvény
1 kimenet, amely
lehet végső kimenet
elágazhat
lehet újabb neuron(ok) bemenete
Használat:
minták megtanulása után olyan mintákat is tud
kategorizálni, amit még nem „látott”
Hálózat használata
Neuronháló megtervezése
rétegek száma
neuronok száma
tanulási algoritmus
Hálózat elkészítése
Hálózat tanítása
Hálózat használata kategorizálási
feladatokra
Mesterséges neuron
Tanulás: súlyok módosításával
Súlyok: a bemenet/kapcsolat erősségét jelzik
Kimeneti jel: aktivációs szint
Aktivációs szint: a súlyokból, a bemeneti jelekből
és a küszöb segítségével számítja ki
Bemenetek: a külvilágtól vagy más neuronoktól
érkező jelek
Kimenet: végső eredmény vagy bemenet más
neuronoknak
Aktivációs függvény: eldönti, hogy a neuron
tüzel-e
Aktivációs függvények
szignum (előjel) függvény (1/-1)
egységugrás/lépés függvény (0/1)
lineáris függvény (y=x)
szigmoid függvény
1
y
x
1 e
Perceptron
legegyszerűbb neuronháló = 1 neuron
1958. Frank Rosenblatt
cél: bemeneteket osztályokba sorolni
(jó/nem jó)
n db bemenet
n dimenziós teret oszt fel hipersíkok
segítségével 2 területre
2 bemenet: 1 vonal mentén 2 terület
3 bemenet: 3D test
Perceptron
n db bemenet: x1,x2, …, xn
n db súly: w1,w2, …, wn
küszöb: Θ
kimenet: Y
aktivációs függvény: egységugrás
n
Y step[( wi xi ) ]
i 1
Tanulás
Súlyok módosítása
az aktuális és kívánt kimenet közti különbség
alapján (felügyelt tanulás)
kezdeti súlyok és a küszöb: véletlenszerűen
p-edik iterációkor
Y(p): aktuális kimenet
Yd(p): kívánt kimenet
hiba: e(p)=Yd(p)-Y(p)
Bemenetek súlyozott összege: X(p)
Tanulás
Tanulási szabály – új súly meghatározása:
wi ( p 1) wi ( p) xi ( p) e( p)
α: pozitív konstans (tanulási tényező)
Tanulási algoritmus
1. Inicializálás
súlyok kezdeti értékeinek beállítása, α, θ megállapítása
2. Aktiválás n
Y ( p) step[( wi ( p) xi ( p)) ]
i 1
3. Súlyok meghatározása
wi ( p 1) wi ( p) wi ( p)
wi ( p) xi ( p) e( p)
4. Ismétlés a 2. lépéstől
Neurális szakértői rendszerek
Neurális háló és szabályok kombinációja
Szabályok automatikus létrehozása
Tudás: a hálóban
3 rétegű háló
Minden tulajdonság egy neuron