Transcript 뉴로 컴퓨터 개론 제3장 제3장 인공 신경망 모델 제 3 장 인공 신경망 모델.

뉴로 컴퓨터 개론
제3장
1
제3장
인공 신경망 모델
2
제 3 장 인공 신경망 모델
차례
3.1 뉴런의 모델링
3.2 McCulloch-Pitts 모델
3
제 3 장 인공 신경망 모델
뉴런의 모델링
4
뉴런의 모델링
뉴런의 기능 모델
입력
x
입력 가중합

활성화 함수
NET
f (NET)
출력
y
NET  x
y  f (NET )
5
제 3 장 인공 신경망 모델
뉴런의 활성화 여부는?
활성화 함수는 임계치가 3인 계단 함수
뉴런의 모델링
입력 가중합이 1인 경우
입력 가중합이 5인 경우
y  f ( NET )
y  f ( NET )
 f (1 )
 f (5)
0
1
활성화되지 못함
활성화됨
7
제 3 장 인공 신경망 모델
뉴런의 모델링
뉴런의 활성화 여부는?
자극의 가중합은 2
임계치가 1인 경우
임계치가 3인 경우
y  f ( NET )
y  f ( NET )
 f ( 2)
 f (2)
1
0
활성화됨
활성화되지 못함
8
제 3 장 인공 신경망 모델
신경망 모델
연결 강도
x1
w1

입력
뉴런의 모델링
출력

wn
뉴런
y
시냅스
세포체
축삭돌기
xn
수상돌기
9
제 3 장 인공 신경망 모델
뉴런의 모델링
뉴런의 입력 가중합
입력
X
  x1 x2    xn 
연결 강도 W  w1 w2    wn 
 w1 
w 
 x1 x2    xn   2 
 
 
 wn 
NET  X W T
 x1w1  x2 w2      xn wn
10
제 3 장 인공 신경망 모델
뉴런의 모델링
뉴런의 출력
입력 연결강도 입력가중합
x1
w1
w2
출력
NET  x1 w1  x2 w2
y  f (NET )
x2
11
제 3 장 인공 신경망 모델
뉴런의 모델링
뉴런의 활성화 여부는?
활성화 함수는 임계치가 3인 계단 함수
1
2
1
0.5
NET  X W T
 1 
 1 2 

0
.
5


 1  1  2  0 .5
y
y  f ( NET )
 f (2)
 0
2
입력 X＝[1 2]가 들어오더라도 뉴런 활성화되지 못함
12
제 3 장 인공 신경망 모델
뉴런의 모델링
뉴런의 활성화 여부는?
활성화 함수는 임계치가 3인 계단 함수
1
2
3
1
0.3
0.5
NET  X W T
 1
 1 2 3 0.3
 
0.5
 3.1
y
y  f ( NET )
 f (3.1)
1
입력 X＝[1 2 3]이 들어오면 뉴런 활성화됨
13
제 3 장 인공 신경망 모델
뉴런의 모델링
바이어스를 고려한 신경망 모델
외부 입력 바이어스
X
W
x
w
1
1

b 
x2    xn 1
w2    wn
NET  x1 w1  x2 w2  ...  xn wn  b
NET  X W T
y  f ( NET )
14
제 3 장 인공 신경망 모델
뉴런의 모델링
바이어스를 고려한 신경망 모델
연결 강도
외부 입력
x1

xn
바이어스
1
w1

wn
출력
y
b
15
제 3 장 인공 신경망 모델
뉴런의 활성화 여부는?
활성화 함수는 임계치가 3인 계단 함수
1
2
3
바이어스 1
NET  X W T
1
0.3
0.5
-0.5
1

 0 .3 

 1 2 3 1 
 0 .5 



0
.
5


 2.6
뉴런의 모델링
y
y  f ( NET )
 f ( 2.6)
 0
바이어스 효과에 의해 뉴런 활성화되지 못함
16
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
17
McCulloch-Pitts 모델
McCulloch와 Pitts의 가설
 뉴런은 활성화되거나 활성화되지 않는
2가지 상태
 뉴런이 활성화되기 위해서는
특정 갯수의 시냅스가 여기되어야 함
 어떠한 억제성 시냅스라도 여기되면
뉴런이 활성되지 못함
18
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
McCulloch-Pitts 모델의 구조
입력 연결 강도
x1
w

w
xm
p
xm 1
p

xn
w 흥분성 연결 강도
출력
y
p 억제성 연결 강도
19
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
AND 게이트
x1
x2
y
y  x1  x2
x1
0
x2
0
y
0
0
1
0
1
0
0
1
1
1
20
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
McCulloch-Pitts 모델을 이용한
AND 연산(1)
x1
x2
1
T=2
1
y
[0 0] 이 입력되는 경우
NET  x1w1  x2 w2
 0 1  0 1  0
y  0
21
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
McCulloch-Pitts 모델을 이용한
AND 연산(2)
x1
x2
1
T=2
1
y
[0 1] 이 입력되는 경우
NET  x1w1  x2 w2
 0  1  1  1  1
y  0
22
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
McCulloch-Pitts 모델을 이용한
AND 연산(3)
x1
x2
1
T=2
1
y
[1 0] 이 입력되는 경우
NET  x1w1  x2 w2
 1  1  0  1  1
y  0
23
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
McCulloch-Pitts 모델을 이용한
AND 연산(4)
x1
x2
1
T=2
1
y
[1 1] 이 입력되는 경우
NET  x1w1  x2 w2
 1 1  1 1  2
y 1
24
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
AND 게이트
x1
x2
1
1
T=2
y
x1 x2
NET
y
0 0
0
0
0 1
1 0
1
1
0
0
1 1
2
1
25
제 3 장 인공 신경망 모델
McCulloch-Pitts 모델
OR 게이트
x1
x2
y
y  x1  x2
x1
x2
1
1
제 3 장 인공 신경망 모델
T=1
y
x1 x2
0 0
0 1
1 0
1 1
y
0
1
1
1
x1 x2
0 0
0 1
1 0
1 1
NET
0
1
1
2
y
0
1
1
1
26
McCulloch-Pitts 모델
NOT 게이트
y
x
yx
T=0
x - 1
y
x
y
0
1
1
0
x
NET
y
0
0
1
1
-1
0
27
제 3 장 인공 신경망 모델