Xreferat.com » Рефераты по математике » Математические модели в естествознании

Математические модели в естествознании

src="http://xreferat.ru/image/54/1306474250_245.gif" alt="Математические модели в естествознании" width="55" height="29" />. Договорились, что в момент времени Математические модели в естествознании нейрон находится в возбужденном состоянии Математические модели в естествознании, если суммарный входной сигнал в момент времени Математические модели в естествознании превысил некоторое пороговое значение Математические модели в естествознании, т.е. Математические модели в естествознании. Пусть Математические модели в естествознании -функция Хевисайта. Она принимает нулевое значение при Математические модели в естествознании и единичное при Математические модели в естествознании. Тогда можно записать:

Математические модели в естествознании. (12)

Описанный объект есть то, что в настоящее время называют формальным нейроном Мак-Каллока - Питтса.

Функция Математические модели в естествознании в (12) получила название функции активации. Часто рассматривают нейроны с другими функциями активации. Нулевое значение выходного сигнала означает, что в соответствующий момент времени нейрон не действует на другие нейроны (он как бы искючен из сети). Представляется разумным, что в любой момент времени Математические модели в естествознании выходное значение не равно нулю и зависит от величины Математические модели в естествознании. В связи с этим, часто берут в качестве функции активации знак числа. Формула для выходного сигнала приобретает вид:

Математические модели в естествознании. (13)

Здесь Математические модели в естествознании при Математические модели в естествознании и Математические модели в естествознании при Математические модели в естествознании. Отметим, что в данном случае поделить нейроны на возбудительные и тормозные в принципе невозможно (напомним, что для биологических нейронов такая классификация производится).

Еще один подход к выбору функции активации связан с биологическим фактом, что на более сильное воздействие нейрон отвечает пачкой спайков. Число спайков (или частоту их следования) можно принять за характеристику выходного сигнала. В связи с этим рассматривают нейрон, у которого выходной сигнал задается формулой:

Математические модели в естествознании. (14)

Здесь Математические модели в естествознании -монотонно растущая функция, имеющая предел Математические модели в естествознании при Математические модели в естествознании. Дополнительно предполагают, что Математические модели в естествознании при Математические модели в естествознании, либо Математические модели в естествознании при Математические модели в естествознании (сигмоидная функция). Широко используется так называемая логистическая функция: Математические модели в естествознании. Другой вариант: Математические модели в естествознании при Математические модели в естествознании, например, Математические модели в естествознании.

Иногда в качестве функции Математические модели в естествознании выбирают линейный трехзвенный сплайн (ломаную, состоящую из трех частей): Математические модели в естествознании при Математические модели в естествознании, Математические модели в естествознании, где Математические модели в естествознании и Математические модели в естествознании, Математические модели в естествознании для Математические модели в естествознании. Тогда на восходящем участке функции активации нейрон работает как линейный сумматор входных сигналов.

Рассмотрим нейрон Мак-Каллока - Питтса, выходной сигнал которого задается формулой (12). Вектор Математические модели в естествознании, состоящий из входных сигналов (не обязательно бинарных), назовем входным, а вектор Математические модели в естествознании-синаптическим. Обычным образом введем скалярное произведение: Математические модели в естествознании. Гиперплоскость Математические модели в естествознании разбивает пространство Математические модели в естествознании на два полупространства Математические модели в естествознании и Математические модели в естествознании. В первом из них Математические модели в естествознании, а во втором Математические модели в естествознании. Если входной вектор Математические модели в естествознании, то выходной сигнал нейрона Математические модели в естествознании, если же Математические модели в естествознании, то Математические модели в естествознании. Тем самым, нейрон относит каждый из входных векторов к одному из двух классов.

Для того, чтобы нейрон мог осуществлять “правильную” в каком -то смысле классификацию, должны быть соответствующим образом выбраны вектор синаптических весов Математические модели в естествознании и пороговое значение Математические модели в естествознании. Процедура выбора этих параметров называется обучением нейрона. Различают обучение с “учителем” и “без учителя”.

Задача обучения с учителем ставится следующим образом. Задаются два набора входных векторов Математические модели в естествознании и Математические модели в естествознании. Они называются эталонными векторами или паттернами, а также образами. Требуется определить вектор Математические модели в естествознании синаптических весов и порог Математические модели в естествознании так, чтобы выходной сигнал нейрона в ответ на входные векторыМатематические модели в естествознании был равен единице, а на векторы Математические модели в естествознании -нулю. Тем самым, обучение с учителем предполагает, что для каждого эталонного входного вектора заведомо известен ответ нейрона. Эталон и желаемый ответ называются обучающей парой.

Несмотря на многочисленные прикладные достижения обучение с учителем критикуется за свою биологическую неправдоподобность, поскольку совершенно не понятно откуда могут появиться желаемые ответы. При обучении без учителя заранее неизвестно разбиение эталонов на подмножества. До обучения невозможно предсказать в какой класс попадет каждый конкретный эталонный вектор. В процессе обучения выделяются статистические свойства обучающей последовательности и вырабатываются правила классификации. Естественно идея, на которой основаны правила, априорно заложена в процесс обучения. Например, эталонные векторы усредняются по координатам. Если эталонный вектор находится от усредненного “не слишком далеко”, то он относится к первому классу, а иначе -ко второму. Постановка задачи об обучении без учителя выглядит несколько расплывчатой. Однако в ряде случаев она успешно решена.

Различают также внешнее и адаптивное обучение. В первом случае синаптические веса вычисляются неким внешним устройством, а затем импортируются в синапсы. При адаптивном обучении веса подстраиваются в процессе функционирования сети, которой предъявляется обучающая последовательность эталонов. Многие авторы считают механизм адаптации неотъемлемым атрибутом нейронов. Внешнее обучение позволяет понять, во -первых, возможна ли вообще интересующая нас классификация для данной обучающей последовательности. Во -вторых, позволяет, не задумываясь о возможных механизмах адаптации, разумно выбрать синаптические веса для изучения вопроса о функционировании нейронов, объединенных в сеть.

После завершения процесса обучения нейрон осуществляет классификацию векторов эталонной последовательности, т.е. “запоминает” для каждого вектора класс, к которому тот относится. Кроме этого, произвольный входной вектор нейрон относит к определенному классу, т.е. “обобщает” классификацию (принцип сортировки) эталонной последовательности на произвольный образ.

Рассмотрим вопрос о разрешимости задачи обучения с учителем в частном случае, когда второе множество состоит из единственного представителя Математические модели в естествознании. Геометрически это означает, что строится гиперплоскость, которая отделяет векторы Математические модели в естествознании от нуля, т.е. решается задача об отделимости. Отметим, что для бинарных векторов, координаты которых равны либо нулю, либо единице, задача об отделимости всегда разрешима. В качестве нормального вектора можно взять, например вектор Математические модели в естествознаниии положить для порогового значения Математические модели в естествознании. Нижеследующие построения на используют предположения о бинарности векторов.

Легко понять, что задача об отделимости разрешима в том и только том случае, когда выпуклая оболочка векторов Математические модели в естествознании не содержит нуля (отделена от нуля). Напомним, что выпуклой оболочкой векторов Математические модели в естествознании называется множество Математические модели в естествознании, состоящее из векторов: Математические модели в естествознании, где Математические модели в естествознании и Математические модели в естествознании. Пусть множество Математические модели в естествознании отделено от нуля и Математические модели в естествознании -его ближайшая к нулю точка, т.е. Математические модели в естествознании по всем Математические модели в естествознании. Здесь, как обычно, Математические модели в естествознании. Положим Математические модели в естествознании и выберем произвольно Математические модели в естествознании. Вектор Математические модели в естествознании -искомый синаптический вектор, а Математические модели в естествознании -пороговое значение для нейрона, реагирующего на входные векторы Математические модели в естествознании выходным сигналом Математические модели в естествознании, а на вектор Математические модели в естествознании -сигналом Математические модели в естествознании.

Задача о нахождении вектора, на котором реализуется минимальное расстояние от нуля до выпуклой оболочки сама по себе весьма сложна. Если число векторов Математические модели в естествознании не превышает размерность пространства и сами они линейно независимы, то отделяющую гиперплоскость можно построить другим способом. Достаточно провести через векторы Математические модели в естествознании какую-нибудь не содержащую ноль гиперплоскость, а затем сдвинуть ее по направлению нормали ближе к нулю. В качестве вектора синаптических весов следует взять нормальный к

гиперплоскости вектор, направленный в полупространство, не содержащее ноль.;Нормальный вектор к гиперплоскости, содержащей векторы Математические модели в естествознании строится конструктивно. Выбор вектора будет однозначным (с точность до множителя), если предполагать, что он принадлежит подпространству, порожденному векторами Математические модели в естествознании.

При построении будем использовать алгоритм Шмидта. Он позволяет по последовательности линейно независимых векторов Математические модели в естествознании построить последовательность Математические модели в естествознании ортогональных между собой векторов, обладающих следующим свойством. Вектор Математические модели в естествознании принадлежит подпространству, порожденному векторами Математические модели в естествознании и ортогонален всем векторам, расположенным в подпространстве, порожденном векторами Математические модели в естествознании

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.
Подробнее

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: