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