Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Rozdział3
SIECIJEDNOKIERUNKOWEWIELOWARSTWOWE
TYPUSIGMOIDALNEGO
Neuronypołączonemiędzysobątworząukład,którydalejbędzienazywany
sztucznąsieciąneuronową,wskróciesieciąneuronową.Wzależnościodsposobu
połączenianeuronówmogątobyćsiecijednokierunkowelubrekurencyjne(ze
sprzężeniemzwrotnym).
Spośródwieluistniejącychrodzajówsiecineuronowychnajwiększymzainte-
resowaniemcieszysięsiećjednokierunkowa,wielowarstwowaoneuronachtypu
sigmoidalnego,zwanarównieżperceptronemwielowarstwowym(ang.Multi
LayerPerceptron–MLP)[59,167].Przepływsygnałówwtychsieciachodbywa
siętylkowjednymkierunkuodwejściadowyjścia.Ichmatematycznyopisjest
stosunkowoprostyiprzejrzysty,arozwiązaniedajesięwyrazićwpostacijawnej
zależnościfunkcyjnejtypualgebraicznego.Równieżmetodyuczeniatychsieci
sąprosteiłatwewimplementacjipraktycznej.Uczenieperceptronuwielowar-
stwowegoodbywasięzwykleznauczycielem,apodstawąuczeniajestzbiór
stowarzyszonychparuczących(x,d),wktórychxjestwektoremwejściowym,
adodpowiadającymmu,zadanymwektoremwyjściowymsieci.Siećnazywana
jestheteroasocjacyjną,jeśliwektoryxorazdsąróżne.Wprzypadkugdyx=d,
siećnosinazwęautoasocjacyjnej.Modelneuronustosowanywsieciachtego
typujesttomodelperceptronowylubjegouogólnieniewpostacimodelusig-
moidalnego.
Wrozdzialetymbędąprzedstawionepodstawowezależnościodnoszącesię
dosieciwielowarstwowychsigmoidalnych.Omówionezostanąpodstawoweme-
todyuczeniatychsieci,wtymalgorytmpropagacjiwstecznej,metodyminima-
lizacjifunkcjicelu,atakżeróżnemetodydoboruwartościstartowychwagsieci,
przyspieszająceprocesuczeniaipozwalającenauniknięciezatrzymaniaprocesu
wminimumlokalnym.
Zhistorycznegopunktuwidzenianajpierwpowstałysiecijednowarstwowe
imetodyichuczenia,adopierowielelatpóźniej(poczynającodkońcalat
siedemdziesiątych)opracowanoskutecznąmetodykęuczeniasieciwielowar-
stwowej.