Koncept umělé neuronové sítě
Umělá neuronová síť je tvořena matematickými neurony, primitivními jednotkami, kde každá zpracovává váhované vstupní signály a generuje výstup.
Neuronová síť představuje topologické uspořádání jednotlivých neuronů do struktury komunikující pomocí orientovaných ohodnocených spojů. Každá umělá neuronová síť je tedy mimo jiné charakterizována typem neuronů, jejich topologickým uspořádáním a strategií adaptace při trénování (učení) sítě.
Základní představu o pojmu umělá neuronová síť si ukažme na principu nejčastěji používané dopředné neuronové sítě. Dopřednou je nazývána, protože signál se sítí šíří od vstupu jednosměrně směrem k výstupům sítě. Uspořádání neuronů pro dopřednou síť je uvedeno na následujícím obrázku.
Obr. 4. Uspořádání neuronů do vrstev v dopředné neuronové sítě.
|
Na obrázku lze rozeznat, že jednotlivé neurony této sítě jsou uspořádány do vrstev. Mezi neurony jedné vrstvy není propojení, mezi neurony sousedních vrstev zpravidla existuje propojení úplné. Spoje mezi neurony, které představují dráhy pro šíření signálu, jsou orientovány a každý spoj je ohodnocen vahou, která modifikuje intenzitu procházejícího signálu. Neexistenci konkrétního spoje lze modelovat spojem s vahou rovnou nule. První vrstvu dopředné sítě nazýváme vstupní vrstvou, poslední vrstvou nazýváme vrstvou výstupní a ostatní mezilehlé vrstvy nazýváme vrstvami skrytými. Zpravidla se dopředné neuronové sítě realizují jako sítě s jednou, eventuelně dvěma skrytými vrstvami.
Dopředná neuronová síť představuje masivně paralelní distribuovaný dynamický systém, kde každá jednotka, neuron, pracuje lokálně, samostatně. Taková neuronová síť se vyznačuje značnou robustností, je odolná vůči poškození, kdy obvykle dokáže poskytovat relevantní výstupy i při poškození některých elementů. Tyto vlastnosti jsou vhodné pro konstrukci neuropočítačů, tedy počítačů založených na neuronových sítích. Je totiž mnohem snazší, vytvořit prvek s vysokou mírou integrace a některými chybnými elementy, než prvek s nižší integrací, kde budou všechny elementy bezvadné.
U neuronové sítě dané topologie, ale i jednotlivého neuronu, můžeme rozeznat dvě fáze aktivity. Fázi, kdy síť na základě předložených vstupů produkuje výstupy, topologie a nastavení parametrů sítě se nemění. Této fázi předchází fáze učení, kdy síť trénovacím algoritmem modifikuje své parametry, v některých případech i topologii sítě. Tyto fáze nazveme v souladu s Biologická analogie aktivní a adaptační dynamikou sítě či neuronu. U neuronových sítí lze rozeznat ještě dynamiku třetí, organizační, která představuje uspořádání neuronů do propojené struktury sítě a vytváří její výslednou topologii. Tato dynamika nemá smysl u jednotlivého neuronu.
Představená topologie dopředné sítě je pouze jedním, byť nejobvyklejším, z možných uspořádání neuronů. Existuje celá řada dalších konceptů, kde je propojení realizováno jinak, například je ve struktuře zavedena zpětná vazba, nebo jsou neurony propojeny každý s každým. S některými z těchto konceptů se také seznámíme, byť podrobněji se vzhledem k univerzálnosti řešení budeme věnovat dopředným neuronovým sítím.