Rețele Neurale

Reţelele neurale caracterizează ansambluri de elemente de procesare simple, puternic interconectate şi operând în paralel, care urmăresc să interacţioneze cu mediul înconjurător într-un mod asemănător creierelor biologice şi care prezintă capacitatea de a învăţa. Nu există o definiţie general acceptată a acestor tipuri de sisteme, dar majoritatea cercetătorilor sunt de acord cu definirea reţelelor artificiale ca reţele de elemente simple puternic interconectate prin intermediul unor legături numite interconexiuni prin care se propagă informaţie numerică.

Originea acestor reţele trebuie căutată în studierea reţelelor bioelectrice din creier formate din neuroni şi sinapsele acestora. Principala trăsătură a acestor reţele este capacitatea de a învăţa pe bază de exemple într-un mod conexionist, folosindu-se de experienţa anterioară pentru a-şi îmbunătăţi performanţele.

Reţelele neurale reprezintă forma dominantă a modelului conexionist astăzi. Aceste modele conexioniste se bazează pe două principii ale gândirii:

1. orice stare mentală dată poate fi descrisă printr-un vector N-dimensional, având valori numerice de activare în unităţile neurale într-o reţea.

2. memoria este creată prin modificarea ponderilor dintre unităţile neurale. Ponderile sunt reprezentate printr-o matrice pătratică N-dimensională.

În mod obişnuit, o reţea neurală este antrenată astfel încât o intrare particulară să conducă la o ieşire ţintă. Reţeaua va fi adjustată, bazându-se pe comparaţiile dintre datele de ieşire pe care le generează şi ieşirile ţintă, până când ieşirile reţelei se potrivesc cu ieşirile ţintă.

Pocedeul folosit pentru a executa procesul de antrenare se numeşte algoritm de învăţare, care are funcţia de a modifica ponderile sinaptice ale reţelei într-un mod sistematic pentru a atinge obiectivul dorit de proiectare. Există două tipuri importante de învăţare: supervizată şi nesupervizată. Învăţarea supervizată presupune aplicarea unei intrări reţelei, după care se compară ieşirea produsă de reţea cu ieşirea dorită şi se modifică ponderile astfel încât să se minimizeze diferenţa dintre cele două. Acest tip de antrenare dă rezultate bune, însă nu are corespondent în lumea reală, întrucât nu există un mecanism de instruire care să compare ieşirile dorite cu reale şi să propage corecţiile în reţeaua de neuroni. În învăţarea nesupervizată mulţimea de antrenare constă numai din vectori de intrare. Iar scopul algoritmului este de a produce vectori consistenţi, în sensul că două semnale foarte apropiate să producă răspunsuri identice sau foarte asemănătoare. Astfel perechile ( vector de intare, vector de ieşire ) similare sunt grupate în clase, proces numit şi clusterizare.

În cazul învăţării supervizate distingem două modalităţi de antrenare:

• antrenarea de tip bach constă în modificarea ponderilor şi a bias-ului presupunând ca fiind dată o mulţime de vectori de intrare

• antrenarea incrementală modifică ponderile şi bias-ul unei reţele imediat după introducerea unui vector de intrare. Antrenarea incrementală poartă numele şi de antrenare “on-line” sau “adaptive”

Reţelele neurale au fost antrenate să efectueze funcţii complexe în domenii diverse de aplicabilitate, incluzând recunoaşterea, identificarea şi clasificarea formelor, sisteme de vorbire, imagine şi control.

Caracteristici

Reţelele neurale artificiale se pot caracteriza pe baza a 3 elemente:

• modelul adoptat pentru elementul de procesare individual,

• structura particulară de interconexiuni (arhitectura)

• mecanismele de ajustare a legăturilor (algoritmii de învăţare).

Modelul neuronului şi arhitectura acestuia descriu modul în care o reţea transformă datele de intrare în date de ieşire. Această transformare poate fi privită ca pe o compunere.