Νευρωνικό Δίκτυο
Από τη Βικιπαίδεια, την ελεύθερη εγκυκλοπαίδεια
Τα τεχνητά νευρωνικά δίκτυα (Αγγλικά: Artificial Neural Networks), ή απλώς νευρωνικά δίκτυα (Αγγλικά: Neural Networks) είναι ένα μαθηματικό μοντέλο για την επεξεργασία πληροφορίας που προσεγγίζει την υπολογιστική και αναπαραστατική δυνατότητα μέσω συνάψεων. Το μοντέλο είναι εμπνευσμένο απο τα βιοηλεκτρικά δίκτυα που δημιουργούνται στον εγκέφαλο ανάμεσα στους νευρώνες (νευρικά κύτταρα) και στις συνάψεις (σημεία επαφής των νευρικών απολήξεων).
Στο μαθηματικό μοντέλο των νευρωνικών δικτύων υπάρχουν κομβικά σημεία (nodes) στα οποία καταλήγουν συνδέσεις απο άλλους κόμβους του δικτύου, στις οποίες συνήθως αποδίδεται κάποιο βάρος.
Πρακτικά, ένα νευρωνικό δίκτυο βελτιστοποιεί μία συνάρτηση, σύμφωνα με κάποιους περιορισμούς.
Τα τεχνητά νευρωνικά δίκτυα, ως μαθηματικό μοντέλο, προέκυψαν από τον τομέα της Τεχνητής Νοημοσύνης.
[Επεξεργασία] Ορισμός Νευρωνικού Δικτύου
Το νευρωνικό δίκτυο είναι ένα δίκτυο από υπολογιστικούς κόμβους (νευρώνες, νευρώνια), συνδεδεμένους μεταξύ τους. Είναι εμπνευσμένο από το Κεντρικό Νευρικό Σύστημα (ΚΝΣ), το οποίο προσπαθούν να παρομοιώσουν. Οι νευρώνες είναι το δομικό στοιχείο του δικτύου. Υπάρχουν δύο είδη νευρώνων, οι νευρώνες εισόδου και οι υπολογιστικοί νευρώνες. Οι νευρώνες εισόδου δεν υπολογίζουν τίποτα, μεσολαβούν ανάμεσα στις εισόδους του δικτύου και τους υπολογιστικούς νευρώνες. Οι υπολογιστικοί νευρώνες πολλαπλασιάζουν τις εισόδους τους με τα συναπτικά βάρη και υπολογίζουν το άθροισμα του γινομένου. Το άθροισμα που προκύπτει είναι το όρισμα της συνάρτησης μεταφοράς.
Εάν:
- xki: η i είσοδος του k νευρώνος
- wki: το i συναπτικό βάρος του k νευρώνος
: η συνάρτηση μεταφοράς (ή συνάρτηση ενεργοποίησης) του νευρωνικού δικτύου
τότε η έξοδος yk του k νευρώνος:
Στον k νευρώνα υπάρχει ένα συναπτικό βάρος με ιδιαίτερη σημασία, το οποίο καλείται πόλωση ή κατώφλι (bias, threshold) (έστω wk0). Η τιμή της εισόδου του είναι πάντα η μονάδα (xk0 = 1). Εάν το συνολικό άθροισμα από τις υπόλοιπες εισόδους του νευρώνος είναι μεγαλύτερο από την τιμή αυτή, τότε ο νευρώνας ενεργοποιείται. Εάν είναι μικρότερο, τότε ο νευρώνας παραμένει ανενεργός. Η ιδέα προέκυψε από τα βιολογικά νευρικά κύτταρα.
Η συνάρτηση μεταφοράς μπορεί να είναι βηματική (step), γραμμική (linear), μη γραμμική (non-linear), στοχαστική (stochastic).
- Βηματική συνάρτηση (step transfer function)
Η βηματική συναρτηση μεταφοράς μπορεί να είναι:
ή οποιαδήποτε άλλη βηματική συνάρτηση.
- Γραμμική συνάρτηση (linear transfer function)
Η γραμμική συνάρτηση μεταφοράς μπορεί να είναι:
ή οποιαδήποτε άλλη γραμμική συνάρτηση.
- Μη γραμμική συνάρτηση (non-linear transfer function)
Η μη γραμμική συνάρτηση μεταφοράς που χρησιμοποιείται συνήθως στα νευρωνικά δίκτυα καλείται σιγμοειδής συνάρτηση:
- Στοχαστική συνάρτηση (stochastic transfer function)
[Επεξεργασία] Είδη Νευρωνικών Δικτύων
[Επεξεργασία] Βιβλιογραφία
Ξένη βιβλιογραφία:
- Haykin, S. (1999) Neural Networks: A Comprehensive Foundation, Prentice Hall, ISBN 0-13-273350-1