Задайте вопрос

Нажимая кнопку «Отправить», Вы соглашаетесь, с обработкой личных данных согласно Политики конфиденциальности.
Приложите файл

Классификация нейронных сетей

фото с сайта unsplash.com

Теперь попробуем разобраться с тем, какие бывают нейронные сети.

Как уже было сказано, между собой нейроны соединяются по принципу каждый к каждому и в целом сети можно разделить на несколько групп по разным характеристикам.

  1. Классификация нейронных сетей в зависимости от распространения сигнала:
    1. Feedforward сети. Здесь сигнал распространяется по прямой и обратно не возвращается. Это самый популярный и эффективный тип нейронных сетей.
    2. Рекуррентные сети. Здесь есть обратные связи. Сигнал от нейрона к нейрону может «плавать» по сети до бесконечности или пока не найдется более или менее устойчивая конфигурация сети. Такие сети конечно же сложнее в анализе и построении, но они способны на решение задач, недоступных для feedforvard (например, задачи на поиск наилучшего решения).
    3. Радиально базисные функции. Это нейронные сети, скрытый слой которых состоит из радиальных элементов, а выходной – из линейных элементов. Такие сети компактны и быстро обучаются. Предложены в работах Broomhead and Lowe (1988) и Moody and Darkin (1989). Радиально базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию и синаптические веса входного и скрытого слоев равны единицы.
    4. Самоорганизующиеся карты (сеть Кохонена). Это класс сетей обычно обучающийся без помощи учителя. Часто их применяют для распознавания изображений. Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов.
  2. Классификация нейронных сетей по типу вводных данных:
    1. Аналоговые. Входные данные представлены в виде действительных чисел.
    2. Двоичная. Входные данные представлены в виде единиц и нулей.
  3. Классификация нейронных сетей по характеру обучения:
    1. Нейронные сети, использующие обучение с учителем. Обучение с учителем предполагает наличие обучающей пары, состоящей из определенных так сказать эталонных входного и выходного сигналов, в соответствии с которыми калибруются веса.
    2. Нейронные сети, использующие обучение без учителя. Обучение без учителя не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.
  4. Классификация нейронных сетей по настройке весов:
    1. сети с фиксированными связями – весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи;
    2. сети с динамическими связями – для них в процессе обучения происходит настройка синаптических весов.

Обязательно поговорим подробнее про разные классы, но не сечас. Но не могу не поделиться очень интересной ссылкое на эту тему - очень интересная ссылка на эту тему

фото с сайта unsplash.com

#neuralnetworkclassification #neuralnetwork #artificialintelligence #ai

10.02.2019 | Danil Plaxitski
© 2020 MedicalDataHub. Все права защищены. сделано в cybera