Моделирование системы распознавания образов на основе нейронной сети Хебба




Скачать 91.12 Kb.
Дата 01.10.2016
Размер 91.12 Kb.
Лабораторная работа 1

Моделирование системы распознавания образов на основе нейронной сети Хебба.

Файлы: пример входных данных Letters.xls.



Теория

Задание
Предварительные теоретические сведения

1. Формальные нейроны искусственных нейронных сетей

При моделировании нейронных сетей в качестве искусственных нейронов обычно используется простой процессорный элемент, изображенный на рис. 1. На его входы поступает вектор X = (х1, ..., хп) входных сигналов, являющихся выходными сигналами других нейронов, а также единичный сигнал смещения. Все входные сигналы, включая и сигнал смещения, умножаются на весовые коэффициенты своих связей и суммируются:



(1)

где S суммарный входной сигнал; весовые коэффициенты связей входных сигналов хi, ..., xп;w0 весовой коэффициент связи сигнала смещения.



Рис. 1. Процессорный элемент, используемый в обычных нейросетях

Полученный сигнал S поступает на вход блока, реализующего функцию f активации нейрона. Типичными функциями активации являются

бинарная


(2)

или биполярная



(3)

Многие авторы при описании модели нейрона используют не сигнал смещения, а порог θ нейрона, что приводит к эквивалентной модели элемента. В этом случае выражения (2) и (3) принимают соответственно вид:


(4)

(5)

где


(6)
Из сопоставления выражений (1) - (3) и (4) - (6) следует, что каждому значению порога θ нейрона может быть поставлен в соответствие весовой коэффициент wo связи сигнала смещения и наоборот.

Реже используются линейные бинарные или биполярные функции активации:



(7)

где а равно нулю для бинарных выходных сигналов нейронов и а равно минус единице для биполярных сигналов; k, a0 - постоянные коэффициенты.

Кроме приведенных в теории нейронных сетей используются также следующие нелинейные функции активации:

бинарная сигмоидальная или логическая сигмоидальная:



(8)

где τ - постоянный коэффициент;

биполярная сигмоидальная:

(9)

радиально-симметричная:



(10)

K-значная бинарная:

(11)

K-значная биполярная (рис.2г):

(12)

Приведенные модели искусственных нейронов игнорируют многие известные свойства биологических прототипов. Например, они не учитывают временные задержки нейронов, эффекты частотной модуляции, локального возбуждения и связанные с ними явления подпороговой временной и пространственной суммации, когда клетка возбуждается не одновременно пришедшими импульсами, а последовательностями возбуждающих сигналов, поступающих через короткие промежутки времени. Не учитываются также периоды абсолютной рефрактерности, во время которых нервные клетки не могут быть возбуждены, т.е. как бы обладают бесконечно большим порогом возбуждения, который затем за несколько миллисекунд после прохождения сигнала снижается до нормального уровня. Этот список отличий, которые многие биологи считают решающими, легко продолжить, однако искусственные нейронные сети все же обнаруживают ряд интересных свойств, характерных для биологических прототипов.



2. Решение задач распознавания на основе отдельных нейронов. Правило Хебба

Искусственные нейронные сети, предназначенные для решения разнообразных конкретных задач, могут содержать от нескольких нейронов до тысяч и даже миллионов элементов. Однако уже отдельный нейрон (рис. 1) с биполярной или бинарной функцией активации может быть использован для решения простых задач распознавания и классификации изображений. Выбор биполярного (1, -1) или бинарного (1,0) представления сигналов в нейросетях осуществляется исходя из решаемой задачи и во многих случаях он равноценен. Имеется спектр задач, в которых бинарное кодирование сигналов более удобно, однако в общем биполярное представление информации более предпочтительно.

Поскольку выходной сигнал у двоичного нейрона (рис 1) принимает только два значения, то нейрон можно использовать для классификации предъявляемых изображений на два класса.

Пусть имеется множество М изображений, для которых известна корректная классификация на два класса Х1 = {X11, X12, ..., X1q},X2 = {X21, X22, ..., Х}, , , и пусть первому классу Х1 соответствует выходной сигнал у = 1, а классу X2 сигнал у = -1. Если, например, предъявлено некоторое изображение и его взвешенная сумма входных сигналов превышает нулевое значение:



то выходной сигнал у = 1 и, следовательно, входное изображение Хα принадлежит классу X1. Если S и предъявленное изображение при­надлежит второму классу.

Возможно использование отдельного нейрона и для выделения из множества классов М = {X1 = {X1,..., Х}, ..., Хi= {Xi,...,Xiq}, ...,Xp= {Хp1,..., Хрт}} изображений единственного класса Xi. В этом случае полагают, что один из двух возможных выходных сигналов нейрона (например, 1) соответствует классу Xi а второй - всем остальным классам. Поэтому, если входное изоб­ражение Хα приводит к появлению сигнала y = 1, то Хα Є Хi, если у = -1 (или у = 0, если используется бинарное кодирование), то это означает, что предъявленное изображение не принадлежит выделяемому классу.

Система распознавания на основе единственного нейрона делит все пространство возможных решений на две области с помощью гиперплоскости



Для двумерных входных векторов границей между двумя классами изображений является прямая линия: входные вектора, расположенные выше этой прямой, принадлежат к одному классу, а ниже - к другому.

Для адаптации, настройки или обучения весов связей нейрона может использоваться несколько методов. Рассмотрим один из них, получивший название "правило Хебба". Хебб, исследуя механизмы функционирования центральной нервной системы, предположил, что обучение происходит путем усиления связей между нейронами, активность которых совпадает по времени. Хотя в биологических системах это предположение выполняется далеко не всегда и не исчерпывает всех видов обучения, однако при обучении однослойных нейросетей с биполярными сигналами оно весьма эффективно.

В соответствии с правилом Хебба, если предъявленному биполярному изображению X = (х1, ..., хп) соответствует неправильный выходной сигналу, то веса связей нейрона адаптируются по формуле



(13)

где wi(t), wi (t+1) соответственно вес i связи нейрона до и после адаптации; компоненты входного изображения; x0 = 1 - сигнал смещения; у — выходной сигнал нейрона.

В более полной и строгой форме алгоритм настройки весов связей нейрона с использованием правила Хебба выглядит следующим образом:

Шаг 1. Задается множество М = {(X1, tl), ..., т, tm)}, состоящее из пар (входное изображение , необходимый выходной сигнал нейрона tk), ). Инициируются веса связей нейрона:


Шаг 2. Для каждой пары (Xk , tk ), пока не соблюдаются условия останова, выполняются шаги 3-5.

Шаг 3. Инициируется множество входов нейрона:



Шаг 4. Инициируется выходной сигнал нейрона: у =tk .

Шаг 5. Корректируются веса связей нейрона по правилу


Шаг 6. Проверка условий останова.

Для каждого входного изображения Хk рассчитывается соответству­ющий ему выходной сигнал ук:


где


Если вектор 1, ..., ут) рассчитанных выходных сигналов равен вектору (t1, ..., tm) заданных сигналов нейрона, т.е. каждому входному изображению соответствует заданный выходной сигнал, то вычисления прекращаются (переход к шагу 7), если же 1, ..., ут) (t1, ..., tm), то переход к шагу 2 алгоритма.



Шаг 7. Останов.

3. Нейронная сеть Хебба

Использование группы из т биполярных или бинарных нейронов А1, ..., Ат (рис. 4) позволяет существенно расширить возможности нейронной сети и распознавать до 2т различных изображений. Правда, применение этой сети для распознавания 2т (или близких к 2т чисел) различных изображений может приводить к неразрешимым проблемам адаптации весов связей нейросети. Поэтому часто рекомендуют использовать данную архитектуру для распознавания только т различных изображений, задавая каждому из них единичный выход только на выходе одного A-элемента (выходы остальных при этом должны принимать значение "-1" для биполярных нейронов или "0" - для бинарных).



Рис 2. Нейронная сеть из т элементов

Однослойная нейронная сеть с двоичными нейронами, приведенная на рис.2, может быть обучена с помощью алгоритма на основе правила Хебба. В этом случае она называется сетью Хебба. Использование других алгоритмов обучения этой же сети приводит и к изменению названия нейронной сети. Использование в названии сетей их алгоритмов обучения характерно для теории нейронных сетей. Для биполярного представления сигналов возможно обучение нейросети с помощью следующего алгоритма:

Шаг 1. Задается множество М= {{X1, tl), ..., т, tm)}, состоящее из пар (входное изображение , необходимый выходной сигнал нейрона tk), ). Инициируются веса связей нейрона:



Шаг 2. Каждая пара (Xk, tk), проверяется на правильность реакции нейронной сети на входное изображение. Если полученный

выходной вектор сети , отличается от заданного , то выполняют шаги 3-5.



Шаг 3. Инициируется множество входов нейронов:
Шаг 4. Инициируются выходные сигналы нейронов: .

Шаг 5. Корректируются веса связей нейронов по правилу:



Шаг 6. Проверяются условия останова, т.е. правильности функциониро­вания сети при предъявлении каждого входного изображения. Если условия не выполняются, то переход к шагу 2 алгоритма, иначе -прекращение вычислений (переход к шагу 7).

Шаг 7. Останов.

Задание


1. Разработайте структуру сети Хебба, способной распознавать четыре различные буквы Вашего имени или фамилии. При этом обоснуйте выбор:

- числа рецепторных нейронов (число п х-элементов сети должно быть в пределах 12п

- числа выходных нейронов;

- выбор векторов выходных сигналов.


2. Разработайте алгоритм и программу, моделирующую сеть Хебба.
3. Обучите нейронную сеть Хебба распознаванию четырех заданных символов.
4. Приведите набор входных символов и требуемых выходных сигналов, когда в сети возникает ситуация с неразрешимыми проблемам адаптации весов связей.


База данных защищена авторским правом ©infoeto.ru 2022
обратиться к администрации
Как написать курсовую работу | Как написать хороший реферат
    Главная страница