(Dieser Artikel erklärt nicht die grundlegenden Konzepte der Theorie neuronaler Netze. Für diejenigen, die mit ihnen nicht vertraut sind, empfehle ich Ihnen, vor dem Lesen zu lesen, um weitere Fehler auszuschließen.)
Der Kern dieses Textes besteht darin
, sich mit einigen Arten von neuronalen Netzen
vertraut zu
machen , die in russischsprachigen Weiten behandelt werden, nicht so oft, wenn nicht gar zu sagen, äußerst selten.
- Regelbasierte neuronale Netze ( regelbasierte neuronale Netze, im Folgenden RBNN ) sind neuronale Netze, die auf Grundregeln (wie der normalen Implikation) basieren. Aufgrund dessen erhalten wir grob gesagt ein vorgefertigtes Expertensystem, das wir jedoch bereits trainieren.
- Logische neuronale Netze könnten einem völlig anderen Typ zugeordnet werden, aber ich schlage vor, sie einer der Sorten von RBNN zuzuordnen. Das Konzept der logischen neuronalen Netze wurde erstmals in der Arbeit von A. Barsky - „Logische neuronale Netze“ beschrieben.
Die Idee logischer neuronaler Netze besteht darin, auf jedem Neuron der verborgenen Schicht eine der logischen Operationen einzurichten: Konjunktion oder Disjunktion.
Illustration aus dem Buch „Logical Neural Networks“, S. 241
Warum sollte diese Art von neuronalen Netzen auf RBNN bezogen werden? Weil die oben beschriebenen logischen Operationen eigenartige Regeln sind, die die Beziehungen der Eingabeparameter zueinander ausdrücken.
Die oben beschriebenen Konzepte von „Anfangsregeln“ können einfacher definiert werden - eine Wissensbasis. Für diejenigen, die mit Fuzzy-Steuerungssystemen vertraut sind, wird diese Definition nicht neu sein.
Die Wissensbasis ist der Ort, an dem sich alle unsere Regeln in Form der Ausdrücke „WENN X1 UND \ ODER X2 DANN Y“ usw. befinden. Warum habe ich Fuzzy-Systeme erwähnt? Weil die Schaffung des Fuzzy-Reglers als erste Stufe der Schaffung von RBNN dargestellt werden kann, auch weil sie mich auf die Idee gebracht haben, gewöhnliche neuronale Netze in etwas Ähnliches zu verwandeln.
Angenommen, wir haben eine Wissensbasis und ein kleines Expertensystem, das darauf aufbaut. In Form von Diagrammen könnte dies wie folgt ausgedrückt werden:
Quelle: www.lund.irf.se/HeliosHome/rulebased.html
Die Frage ist nun, wie man aus diesem strengen System ein lernendes neuronales Netzwerk macht.
Ein wichtiger Punkt ist zunächst die Einführung eines Gewichts in eine ähnliche Struktur an jeder Kante. Jedes Gewicht gibt die Wahrscheinlichkeit der Beziehung des einen oder anderen Elements zu einer Gruppe anderer Elemente wieder (z. B. Eingabeparameter A zum ersten Neuron der verborgenen Schicht bzw. zur Beteiligung an der Gruppe AB) oder zur Antwort X, Y, Z usw.
Vielleicht wird dem Leser nicht ganz klar sein, wo solche neuronalen Netze nützlich sein können - in diesem Fall werde ich ein ziemlich einfaches Beispiel geben:
Angenommen, wir haben keine große Stichprobe von Daten, sondern nur eine „
allgemeine Meinung“. Wir möchten ein neuronales Netzwerk erstellen, das ein individuelles Menü für eine Person bietet.
Angenommen, wir wissen nichts über den Geschmack und die Vorlieben dieses Benutzers, aber Sie müssen noch irgendwo anfangen. Wir machen ein
verallgemeinertes Diagramm eines typischen Menüs:
- Omelett Frühstück
- Suppensuppe
- Haferbrei Abendessen
Dementsprechend erhält eine Person in den frühen Tagen genau ein solches Menü, aber mit der "Vertrautheit" des neuronalen Netzwerks mit den Vorlieben des Benutzers wird das Gewicht, das Frühstück und Omelett verbindet, kleiner und das Gewicht, das Frühstück und Brei verbindet. Dementsprechend ist das neuronale Netzwerk jetzt „klar“, was genau der Benutzer für die eine oder andere Mahlzeit bevorzugt (in diesem Fall stellt sich heraus, dass unser Benutzer Haferbrei zum Frühstück anstatt Rührei mag). Im Laufe der Zeit ändern sich möglicherweise die Vorlieben einer Person und das neuronale Netzwerk passt sich wieder an sie an.
Also. Zumindest können RBNNs sehr nützlich sein, wenn es keine großen Stichproben gibt, wenn überhaupt keine vorhanden sind und wenn wir ein System benötigen, das vollständig auf eine bestimmte Person zugeschnitten ist. Darüber hinaus sind solche neuronalen Netze recht einfach, was es ihnen ermöglicht, andere Menschen zu erziehen und die Auswirkungen neuronaler Netze zu verstehen.
Früher war es immer üblich zu sagen, dass das neuronale Netzwerk eine „Black Box“ ist und alles, was sich darin befindet, nicht auf zugängliche Weise erklärt werden kann. Mit der oben dargestellten Struktur ist es nun möglich, ein neuronales Netzwerk aufzubauen, das nicht nur effektiv, sondern auch zugänglich ist, um den ihn umgebenden Mechanismus zu verstehen.