Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
decyzyjnej,anastępnie-napodstawieklasyfikacjiwzorcówuczących-
wyznaczasięnajlepszegranice.Wprzypadkuograniczonejilościinformacji
problemtenmożnarozwiązaćbezpośredniowykorzystującnp.błąd
średniokwadratowy,pomijającwtensposóbrozwiązaniapośrednie
[Vap1998].
Siecineuronowe
Siecineuronowemożnatraktowaćjakdużyrównoległysystem
komputerowyskładającychsięzbardzodużejliczbyprostychprocesorówz
wielomapołączeniami.Wmodelachsiecineuronowychpodejmowanesą
próbyzastosowaniapewnychzasadorganizacyjnychtakichjak:uczenie,
generalizacja,uogólnianie,adaptacyjność,tolerancjabłędów,reprezentacja
rozproszonaiobliczeniowość.Sztuczneneuronytworząsiećgrafów
skierowanych,akrawędziełączącewejściaiwyjścianeuronówposiadają
wagi.Głównącechąsiecineuronowychjestto,żemająonezdolnośćdo
uczeniasięzłożonychnieliniowychrelacjiwejścia-wyjścia,przyużyciu
sekwencyjnychproceduruczącychorazichzdolnościdostosowywaniasiędo
tychdanych.Doklasyfikacjiwzorcównajczęściejstosowanągrupąsieci
neuronowychsąsiecijednokierunkowe,takiejakperceptronwielowarstwowy
orazsiecizfunkcjamiosymetriikołowej(RBF)[Jain1996].Siecitesą
zorganizowanewwarstwyimająjednokierunkowepołączeniamiędzy
warstwami.Innąpopularnągrupąsiecisąsamoorganizującesięmapy(SOM)
isiećKohonena[Koh1995].Wykorzystywanesąonegłówniedogrupowania
danychimapowaniefunkcji.Procesuczeniawymagaaktualizacjiarchitektury
sieciiwagipołączeńwtakisposób,żesiećmożeskuteczniewykonywać
konkretnezadanieklasyfikacji.Popularnośćmodelisiecineuronowychw
rozwiązywaniuproblemówrozpoznawaniawzorcówwynikaprzede
wszystkimzichpozorniemałejzależnośćodspecyfikiwiedzywdanej
dziedzinieorazzdostępnościefektywnychalgorytmówuczeniai
praktycznegozastosowania[Jain2000].
Siecineuronowedostarczajągrupęnieliniowychalgorytmówekstrakcjicech
(zapomocąwarstwukrytych)iklasyfikacji(np.wielowarstwowe
perceptrony).Ponadtoistniejącealgorytmyekstrakcjicechiklasyfikacjimogą
byćodwzorowanenasiecineuronowewceluefektywnejrealizacji
sprzętowej.Pomimopozornieróżnychzasadpodstawowych,większość
znanychmodelisiecineuronowychjestniejawnierównoważnychlub
podobnychdoklasycznychstatystycznychmetodrozpoznawaniawzorca.
Pomimotegosiecineuronoweoferująwielekorzyści,takichjak,jednolite
14
