neuroninis tinklas

dirbtinio neuroninio tinklo schema: x₀, x₁, x₂, x_d – neuronų įėjimo signalai, w₀ , w₁ , w₂ , w_d – neuronų svoriai, f(Σ) – perdavimo funkcija, y – neurono išėjimo signalas

tiesioginio sklidimo dirbtinio neuroninio tinklo schema: x – įėjimo vektorius, y – išėjimo vektorius

daugiasluoksnio tiesioginio sklidimo neuroninio tinklo schema: x – įėjimo vektorius, y – išėjimo vektorius; 1 – įėjimo sluoksnis, 2 – paslėptieji sluoksniai, 3 – išėjimo sluoksnis

neuròninis tiñklas, dirbtnis neuròninis tiñklas, informacijos apdorojimo struktūra, imituojanti kai kuriuos gyvųjų organizmų smegenyse vykstančius informacijos perdavimo procesus. Neuroninis tinklas sudaromas iš daugelio tarpusavyje sujungtų labai paprastų skaičiavimo elementų (dirbtinių neuronų). Šie elementai, sujungti įvairaus stiprumo jungtimis, yra apytikslis biologinių neuronų modelis. Dirbtiniu neuroniniu tinklu siekiama emuliuoti kai kurias biologinių sistemų savybes, pvz., biologinių sistemų gebėjimą mokytis, prisitaikyti ir adaptuotis. Mokymosi metu gyvųjų organizmų smegenyse keičiasi jungčių, siejančių neuronus, stiprumas. Toks jungčių stiprumo (vadinamojo neuronų svorių) kitimas būdingas ir dirbtiniams neuroniniams tinklams, kurių svarbiausias elementas yra dirbtiniai neuronai. Dirbtinio neuroninio tinklo neuronus apibūdina jų įėjimo (arba įvesties) signalas (x₀, x₁, x₂, x_d), neuronų svoriai (w₀, w₁, w₂, w_d), perdavimo funkcija (tiesinė, hiperbolinio tangento, logistinio sigmoido ar kitokia) ir neuronų išėjimo (arba išvesties) signalas (y). Bet kurios paskirties neuroninio tinklo kintamųjų vertes iš išorės gauna per įėjimus, o atsakas perduodamas per išėjimus. Dažnai būna ir tarpinių (paslėptųjų) neuronų, skaičiuojančių vidinių tinklo funkcijų vertes. Įėjimo, paslėptieji ir išėjimo neuronai jungiami vieni su kitais. Neuroninis tinklas būna tiesioginio sklidimo, jei signalai sklinda iš kiekvieno neurono įėjimo per visus paslėptuosius elementus ir pasiekia išėjimo neuronus. Šio tinklo neuronų signalai sudaro įėjimo vektorių x, o neuronų išėjimo signalai – vektorių y. Tokia struktūra yra stabili. Jei neuroninis tinklas yra rekurentinis su atgalinėmis jungtimis iš vėlesniųjų neuronų į ankstesniuosius, jis gali būti nestabilus ir dažniausiai turi sudėtingą dinamiką. Dirbtiniame neuroniniame tinkle neuronus įprasta grupuoti į atskirus sluoksnius. Neuronų įėjimo signalai sudaro įėjimo sluoksnį, kuris nėra skaičiavimo neuronų sluoksnis, o įveda įėjimo kintamųjų vertes į neuroninį tinklą, nes prieš duomenų apdorojimą neuroniniu tinklu dažnai atliekamas pirminis jų apdorojimas, pvz., normavimas, centravimas. Po to paeiliui apskaičiuojamos paslėptųjų sluoksnių neuronų išėjimo vertės, galiausiai – išėjimo sluoksnio neuronų išėjimo vertės, kurios laikomos neuroninio tinklo išėjimo vertėmis. Vieno sluoksnio neuronai turi tą pačią perdavimo funkciją. Konkrečiam uždaviniui spręsti reikalingas paslėptųjų neuronų skaičius randamas eksperimentiniu būdu. Praktikoje dažniausiai naudojamas vienas paslėptųjų neuronų sluoksnis. Paslėptųjų ir išėjimo sluoksnių neuronai dažniausiai sujungti su ankstesnio sluoksnio neuronais (kartais neuronai jungiami ne su visais gretimų sluoksnių neuronais). Dirbtinio neuroninio tinklo mokymas būna dvejopas: su mokytoju (prižiūrimas mokymas) ir be mokytojo (neprižiūrimas mokymas, arba savimoka). Mokant su mokytoju žinomos ne tik įėjimo, bet ir atitinkamos išėjimo vertės, dar vadinamos užduoties vertėmis, kurias pateikia mokytojas. Mokymo metu minimizuojama tam tikra klaidos funkcija. Labai dažnai tai būna neuroninio tinklo išėjimo y_j ir užduoties d_j tarpusavio skirtumo funkcija. Populiarią suminės kvadratinės klaidos funkciją nusako formulė: $E(w)=\mathrm{½}\sum _{k=1}^N\sum _{j=1}^Q{(y_j^k(x,w)-d_j^k)}^2$; čia w – vektorius, sudarytas iš visų neuroninio tinklo neuronų svorių, N – mokymo duomenų skaičius, Q – neuroninio tinklo išėjimų skaičius, $y_j^k(x,w)$ – neuroninio tinklo išėjimo signalas, $d_j^k$ – užduoties vertė neuroninio tinklo j išėjime, kai neuroninio tinklo įėjime veikia duomenų taškas k. Mokymo metu neuronų svoriai keičiami taip, kad E(w) vertė mažėtų – neuroninio tinklo išėjimo vertės artėtų prie norimų verčių. Mokoma naudojant pasirinktą duomenų rinkinį, vadinamą duomenų imtimi. Savimokos atveju pats neuroninis tinklas nustato savo būseną. Apmokyto neuroninio tinklo neuronų svoriai paprastai būna fiksuoti. Informacija, reikalinga konkrečiam uždaviniui spręsti, kaupiama neuronų svorių vertėse. Dirbtiniai neuroniniai tinklai yra viena naujausių informacijos apdorojimo priemonių, taikomų įvairiose žmogaus veiklos srityse. Naudojami įvairiems signalams atpažinti, duomenims klasifikuoti, analizuoti, įvairiems reiškiniams prognozuoti, kontroliuoti, techninėms sistemoms modeliuoti, optimizuoti ir kitur. Jie yra daugelio techninių įrenginių (modemų, vaizdų bei kalbos apdorojimo ir atpažinimo sistemų, signalinių procesorių, biomedicininės įrangos ir kitų) elementas.

Dirbtinio neuroninio tinklo matematinį modelį 1943 sukūrė Warrenas Sturgisas McCullochas ir Walteris Harryʼis Pittsas (abu Jungtinės Amerikos Valstijos). 1949 sukurtas neuroninio tinklo mokymo metodas. 1958 išrastas perceptronas (dirbtinė apmokoma neuroninė sistema, modeliuojanti atpažinimo procesą). Dirbtinius neuroninius tinklus imta naudoti praktinėms reikmėms.

1328