Основные теоретические выводы ИИ

Искусственные нейронные сети представляют собой математические модели, которые в той или иной степени имитирую деятельность биологических нейронных сетей (другими словами, имитируют принципы работы головного мозга).
Как правило, при разработке систем ИИ используются принципы работы человеческого мозга. Хотя последнее не является обязательным.
Обычно под нейронными сетями понимается множество нейронов, взаимодействующих между собой. Биологический нейрон состоит из дендритов, отвечающих за получение импульсов от других нейронов, основного тела «сома» и аксона. При получении импульса от дендритов, сома испытывает специфическое возбуждение, которое затем передается по аксону.
В большинстве случаев искусственная нейронная сеть моделируется программой, которая выполняется на одном или нескольких вычислительных устройствах. Моделируется как нервные клетки головного мозга (нейроны), так и механизм передачи сигналов между ними [9].
При моделировании нейрона происходит моделирование нервного импульса нейрона, пересылающего импульс на другие клетки.
Для лучшего понимания ИИ раскроем основные понятия нейронных сетей. Обычно под нейронными сетями понимается множество нейронов, взаимодействующих между собой.
Биологический нейрон состоит из дендритов, отвечающих за получение импульсов от других нейронов, основного тела «сома» и аксона. При получении импульса от дендритов, сома испытывает специфическое возбуждение, которое затем передается по аксону.
При моделировании нейрона происходит моделирование нервного импульса нейрона, пересылающего импульс на другие клетки. Типичная форма такого импульса, характерного для биологического нейрона представлена на рисунке 1.
Рисунок 1 — Типичная форма нервного импульса.
На рисунке 1 представляет собой напряжение в милливольтах в зависимости от времени t в миллисекундах . То есть представляет собой временную развертку выходного импульса.
Таким образом, искусственный нейрон должен представлять собой структуру, в которой присутствуют несколько входов и один выход. Искусственный нейрон должен так преобразовывать входные сигналы, чтобы на выходе получать сигнал наиболее точно имитирующий сигнал нейронной сети.
На вход нейронного сигнала поступает множество входных сигналов от других искусственных нейронов. Эти сигналы обозначены на рисунке 2 .
Рисунок 2. Искусственный нейрон в нейронных сетях. Взято из [5].
Каждый сигнал умножается на соответствующий вес . Выходной сигнал (NET) представляет собой сумму таких взвешенных нейронных сигналов
Набор чисел представляет собой вектор X, а набор чисел представляет собой вектор ω. Тогда по-другому можно записать
В дальнейшем этот сигнал преобразуется так называемой активационной функцией. Активационная функция обычно представляет собой пороговое значение. Если значение функции NET меньше порогового, то сигнал не передается, иначе передается сигнал преобразованный активационной функцией.
Рассмотрим дальше базовые понятия, используемые в нейронных сетях.
Слой — один или несколько нейронов, на входы которых подается один и тот же общий сигнал.
Нейронные сети могут быть синхронные и асинхронные

. В синхронных нейронных сетях в каждый момент времени свое состояние меняет лишь один нейрон. В асинхронных состояние меняется сразу у целой группы нейронов, как правило, у всего слоя [9].
Можно выделить две базовые архитектуры - слоистые и полносвязные сети. Ключевым в слоистых сетях является понятие слоя. Слоистые нейронные сети - нейронные сети, в которых нейроны разбиты на отдельные группы (слои) так, что обработка информации осуществляется послойно.
В полносвязных нейронных сетях нейрон передает сигнал всем остальным нейронам. Все выходные сигналы передаются всем остальным нейронам сети.
Процесс обучения нейронной сети заключается в подстройке ее внутренних параметров под конкретную задачу. Алгоритм работы нейронной сети является итеративным, его шаги называют эпохами или циклами.
Эпоха — одна итерация в процессе обучения, включающая предъявление всех примеров из обучающего множества и, возможно, проверку качества обучения на контрольном множестве.
Одной из простейших моделей нейронных сетей является модели перспетрона. Основная теорию простейшего (однослойного) песептрона дал Розенблатт. Помимо однослойного персептрона, простейшей моделью нейронной сети является также многослойный персептрон. Такие модели способны решать не очень сложные задачи: экономические, банковские задач на принятие решения о выдачи кредитов, статистические задачи.
Однослойный персептрон является однослойной нейронной сетью, при этом все всходящие в сеть нейроны имеют жесткую пороговую функцию активации. Однослойный персептрон является одной из простейших моделей нейронных сетей. Именно на основе такой модели произошло развитие более сложных нейронных сетей. Рассмотрим, для примера трехнейронный персептрон. Такая сеть может иметь множество входов, на которые поступают сигналы, образующие вектор n. Эти сигналы поступают на 3 нейрона, которые выдают выходной сигнал, полученный как линейная сумма входящих сигналов (исходный вектор входных сигналов умножается на вектор весов). Таким образом, выход такой нейронной сети представляется тремя сигналами.
Многослойный персептрон — это сеть, в которой сигнал преобразуется без влияния обратной связи, проходя последовательно через несколько слоев.
В такой сети выделяют входные и выходные слои. Обычно в такой нейронной сети присутствуют вырожденные нейроны, которые могут не учитываться при описании нейронной сети. Промежуточные слои (между входными и выходными) обычно называют скрытыми. Для решения задач обычно используется один скрытый слой. Несколько промежуточных слоев используют при использовании нелинейной функции активации.
Простейшим примером такой сети является двуслойный персептрон