Mesterséges neuronhálózatok

Az előadások a következő témára: "Mesterséges neuronhálózatok"— Előadás másolata:

1 Mesterséges neuronhálózatok

2 Neurális hálózat Gépi tanulás egyik módja Mesterséges neuronokból áll
McCulloch-Pitts neuron több súlyozott bemenet küszöbfüggvény 1 kimenet, amely lehet végső kimenet elágazhat lehet újabb neuron(ok) bemenete Használat: minták megtanulása után olyan mintákat is tud kategorizálni, amit még nem „látott”

3 Hálózat használata Neuronháló megtervezése Hálózat elkészítése
rétegek száma neuronok száma tanulási algoritmus Hálózat elkészítése Hálózat tanítása Hálózat használata kategorizálási feladatokra

4 Mesterséges neuron Tanulás: súlyok módosításával
Súlyok: a bemenet/kapcsolat erősségét jelzik Kimeneti jel: aktivációs szint Aktivációs szint: a súlyokból, a bemeneti jelekből és a küszöb segítségével számítja ki Bemenetek: a külvilágtól vagy más neuronoktól érkező jelek Kimenet: végső eredmény vagy bemenet más neuronoknak Aktivációs függvény: eldönti, hogy a neuron tüzel-e

5 Aktivációs függvények
szignum (előjel) függvény (1/-1) egységugrás/lépés függvény (0/1) lineáris függvény (y=x) szigmoid függvény

6 Perceptron legegyszerűbb neuronháló = 1 neuron 1958. Frank Rosenblatt
cél: bemeneteket osztályokba sorolni (jó/nem jó) n db bemenet n dimenziós teret oszt fel hipersíkok segítségével 2 területre 2 bemenet: 1 vonal mentén 2 terület 3 bemenet: 3D test

7 Perceptron n db bemenet: x1,x2, …, xn n db súly: w1,w2, …, wn
küszöb: Θ kimenet: Y aktivációs függvény: egységugrás

8 Tanulás Súlyok módosítása p-edik iterációkor
az aktuális és kívánt kimenet közti különbség alapján (felügyelt tanulás) kezdeti súlyok és a küszöb: véletlenszerűen p-edik iterációkor Y(p): aktuális kimenet Yd(p): kívánt kimenet hiba: e(p)=Yd(p)-Y(p) Bemenetek súlyozott összege: X(p)

9 Tanulás Tanulási szabály – új súly meghatározása:
α: pozitív konstans (tanulási tényező)

10 Tanulási algoritmus 1. Inicializálás 2. Aktiválás
súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás 3. Súlyok meghatározása 4. Ismétlés a 2. lépéstől

11 Neurális szakértői rendszerek
Neurális háló és szabályok kombinációja Szabályok automatikus létrehozása Tudás: a hálóban 3 rétegű háló Minden tulajdonság egy neuron