Najczęściej sieci neuronowe są realizowane jako modele matematyczne lub symulacyjne, do czego budowane są niekiedy specjalne komputery (np. procesor DELTA firmy SAIC) albo systemy komputerowe specjalnie dostosowane do wykorzystania w pracach nad sieciami. Badane są także specjalne zasady budowy algorytmów dla sieci neuronowych oraz tworzone jest specjalne oprogramowanie dla potrzeb modelowania sieci. W naszym ćwiczeniu wykorzystujemy profesjonalny program, który składa się z dwóch części: NetMakera i BrainMakera. B rai n\l a ker jest programem do symulacji sieci neuronowych pracującym w systemie MS-WINDOWS z szybkością S^IO5 p/s. Zawiera 5 typów elementów (neuronów)
Neurony.
Elementy, z których buduje się sieci charakteryzują się występowaniem wielu wejść i jednego wyjścia.
ll
i
a
Sygnały wejściowe Xi (i = 1. 2. n) oraz sygnały wyjściowe y mogą przyjmować wartości z pewnego ograniczonego przedziału, można przyjąć, że Xi € [-1,11 dla każdego “i”, y e [-1.1 ].
Warstwa neuronów jako najprostsza sieć.
Waistwa neuronów stanowi najprostszy przykład sieci neuronowej. Działanie tej sieci polega na tym, że pojawienie się określonego wektora wejściowego x powoduje powstanie sygnałów wyjściowych y„, na wszystkich neuronach wchodzących w skład rozważanej warstwy. Oczekujemy przy tym maksymalnego sygnału wyjściowego yro na tym neuronie, którego wektor wag w*"" najbardziej przypomina x. Sieć tego typu może więc rozpoznawać k różnych klas obiektów, gdyż każdy neutron zapamięnije jeden wzorcowy obiekt, na którego pojawienie się jest “uczulony”. O tym, do której klasy należy zaliczyć aktualnie pokazany obiekt, decyduje numer wyjścia, na którym pojawi się sygnał ym. “Wzorce” klas zawarte są w poszczególnych neuronach w postaci ich wektorów wag W"'.
Uczenie pojedynczego neuronu.
O zachowaniu pojedynczego neuronu decyduje wektor wag w. Z tego wynika, że wartości wag odgrywają w dziedzinie sieci neuronowych podobną rolę, jak programy w dziedzinie obliczeń numerycznych.
W sieciach neuronowych istnieje możliwość programowania sieci za pomocą wieloetapowego procesu jej uczenia. Aby zapewnić możliwość uczenia, trzeba model neuronu uzupełnić o dwa dodatkowe elementy: procesor zmiany wag i detektor błędu. Tak uzupełniony neuron nazywany bywa ADALINE i ma bogate możliwości w zakresie dostosowania swojego działania do wymagań wynikających z postawionego zadania. Zasada działania ADA LINĘ jest oparta na podstawowym algorytmie uczenia, wprowadzonym przez Widrowa i Hoffa. Algorytm ten nazywany regułą DELTA zakłada, że wraz z każdym wektorem wejściowym x do neuronu podawany jest sygnał z, opisany jako zadana (wymagana) odpowiedz neuronu na sygnał x. Neuron odpowiada na sygnał x sygnałem y = w*x (y = wT>x), przy czym jeśli neuron nie jest nauczony, sygnał ten jest inny niż wymagany (y * z).