Neuronová síť

Neuronová síť je jedním z výpočetních modelů používaných v umělé inteligenci. Jejím vzorem je chování odpovídajících biologických struktur. Umělá neuronová síť je struktura určena pro distribuované paralelní zpracování dat.

Skládá se z umělých (nebo také formálních) neuronů, jejichž předobrazem je biologický neuron. Neurony jsou vzájemně propojeny a navzájem si předávají signály a transformují je pomocí určitých přenosových funkcí. Neuron má libovolný počet vstupů, ale pouze jeden výstup.

Neuronové sítě se používají mimo jiné i pro rozpoznávání a kompresi obrazů nebo zvuků, předvídání vývoje časových řad (např. burzovních indexů), někdy dokonce k filtrování spamu. V lékařství slouží k prohlubování znalostí o fungování nervových soustav živých organismů. Například perceptronová síť vznikla původně jako simulace fyziologického modelu rozpoznávání vzorů na sítnici lidského oka.

[editovat] Model umělého neuronu

Model umělého neuronu

Je popsána celá řada modelů neuronu. Od těch velmi jednoduchých používající nespojité přenosové funkce, až po velmi složité popisující každý detail chování neuronu živého organismu. Jedním z nejpoužívanějších je model popsaný McCullochem a Pittsem:

$Y=S(\sum_{i=1}^N (w_i{}x_i{}) - \Theta)$

kde:

$x i$ jsou vstupy neuronu
$w i$ jsou synaptické váhy
$Θ$ je práh
$S (x)$ je přenosová funkce neuronu (někdy aktivační funkce)
$Y$ je výstup neuronu

Velikost vah $w i$ vyjadřuje uložení zkušeností do neuronu. Čím je vyšší hodnota, tím je daný vstup důležitější. V biologickém neuronu práh $Θ$ označuje prahovou hodnotu aktivace neuronu. Tzn. je-li $\sum_{i=1}^N (w_i{}x_i{})$ menší než práh, neuron je v pasivním stavu.

Podle povahy vstupních (a výstupních) dat můžeme neurony dělit na binární a spojité. Podle typu neuronu a typu neuronové sítě se použije vhodná přenosová funkce.

[editovat] Přenosové funkce

Skoková přenosová funkce

Sigmoidální přenosová funkce

Skoková přenosová funkce vrací pro vstup menší než daná mez nulu, pro větší vrací jedna. $f (x) = 0$ pro $x < Θ$ a $f (x) = 1$ pro $x\geq\Theta$

Sigmoidální přenosová funkce je ve tvaru $f(x)=\frac{1}{1+e^{-kx}}$ . Její hodnoty se blíží nule v minus nekonečnu a jedničce v nekonečnu. Pro nulu je hodnota 0,5. Výhodou sigmoidální přenosové funkce oproti skokové je existence rozumné derivace v každém bodě.

Přenosová funkce hyperbolické tangenty

Přenosová funkce radiální báze

Přenosová funkce hyperbolické tangenty je ve tvaru $f(x)=\frac{2}{1+e^{-kx}}-1$ .Její hodnoty se blíží -1 v minus nekonečnu a jedničce v nekonečnu. Pro nulu je hodnota 0.

Přenosová funkce radiální báze je ve tvaru $f(x)=e^{-kx^2}$ . Její hodnoty se blíží nule v minus nekonečnu a nule v nekonečnu. Pro nulu je maximální hodnota 1.

[editovat] Architektury sítě

Podle způsobů propojení neuronů a jejich přenosové funkce existuje více různých architektur neuronových sítí, například:

[editovat] Externí odkazy

Předpovídání pomocí neuronové sítě - včetně Java appletu pro experimenty s předpovídáním funkce

Tento technologický článek je příliš stručný nebo neobsahuje důležité informace.
Pomozte Wikipedii tím, že jej vhodně rozšíříte.

Kategorie: Umělá inteligence

Neuronová síť v jiných jazycích: العربية, Български, Català, Dansk, Deutsch, English, فارسی, Suomi, Français, עברית, Hrvatski, Magyar, Italiano, 한국어, Nederlands, Polski, Português, Română, Slovenčina, Slovenščina, Svenska, Tiếng Việt, 中文

Tento článek je převzat z české wikipedie - otevřené encyklopedie, originální článek naleznete na adrese: „http://cs.wikipedia.org/wiki/Neuronov%C3%A1_s%C3%AD%C5%A5“
Stránka byla naposledy upravena v Stránka byla naposledy editována 20. 9. 2008 v 06:28.
Veškerý text je dostupný za podmínek GNU Free Documentation License (Autorské právo pro podrobnosti).