नियम आधारित तंत्रिका नेटवर्क

(यह लेख तंत्रिका नेटवर्क के सिद्धांत की मूल अवधारणाओं की व्याख्या नहीं करता है। उन लोगों के लिए जो उनसे परिचित नहीं हैं, पढ़ने से पहले मैं आपको आगे की त्रुटियों को बाहर करने के लिए पढ़ने की सलाह देता हूं।)

इस पाठ का सार कुछ प्रकार के तंत्रिका नेटवर्क से खुद को परिचित करना है जो रूसी-भाषी विस्तार में शामिल हैं, ऐसा अक्सर नहीं, अगर बिल्कुल नहीं कहना है, तो शायद ही कभी।

• नियम-आधारित तंत्रिका नेटवर्क (नियम आधारित तंत्रिका नेटवर्क, इसके बाद RBNN ) बुनियादी नियमों (जैसे सामान्य निहितार्थ) पर आधारित तंत्रिका नेटवर्क हैं, जिसके कारण, मोटे तौर पर, हम एक तैयार विशेषज्ञ प्रणाली प्राप्त करते हैं, हालांकि, अब हम पहले से ही प्रशिक्षण ले रहे हैं।
• तार्किक तंत्रिका नेटवर्क को पूरी तरह से अलग प्रकार के लिए जिम्मेदार ठहराया जा सकता है, लेकिन मैं उन्हें आरबीएनएन की किस्मों में से एक को विशेषता देने का प्रस्ताव करता हूं। तार्किक तंत्रिका नेटवर्क की अवधारणा को पहले ए। बार्स्की - "लॉजिकल न्यूरल नेटवर्क" के काम में वर्णित किया गया था।

तार्किक तंत्रिका नेटवर्क का विचार तार्किक संचालन के छिपी हुई परत के प्रत्येक न्यूरॉन पर स्थापित करना है: संयोजन या अव्यवस्था।

"लॉजिकल न्यूरल नेटवर्क्स" पुस्तक से चित्रण, पृष्ठ 241

इस प्रकार का तंत्रिका नेटवर्क आरबीएनएन के संदर्भ में क्यों लायक है? क्योंकि ऊपर वर्णित तार्किक संचालन अजीब नियम हैं जो एक दूसरे के साथ इनपुट मापदंडों के संबंधों को व्यक्त करते हैं।

ऊपर वर्णित "प्रारंभिक नियमों" की अवधारणाओं को अधिक सरलता से परिभाषित किया जा सकता है - एक ज्ञान का आधार। फ़ज़ी कंट्रोल सिस्टम से परिचित लोगों के लिए, यह परिभाषा नई नहीं होगी।
ज्ञान का आधार वह स्थान है जहाँ हमारे सभी नियम अभिव्यक्ति के रूप में स्थित हैं "IF X1 और \ या X2 THEN Y", आदि। मैंने फ़ज़ी सिस्टम का उल्लेख क्यों किया? क्योंकि फज़ी-रेगुलेटर के निर्माण को आरबीएनएन के निर्माण के पहले चरण के रूप में दर्शाया जा सकता है, क्योंकि उन्होंने मुझे सामान्य तंत्रिका नेटवर्क को कुछ इसी तरह मोड़ने के विचार के लिए प्रेरित किया।

मान लीजिए कि हमारे पास एक ज्ञान का आधार और उस पर निर्मित एक छोटा विशेषज्ञ प्रणाली है। रेखांकन के रूप में, इसे निम्नानुसार व्यक्त किया जा सकता है:

स्रोत: www.lund.irf.se/HeliosHome/rulebased.html

अब सवाल यह है कि इस सख्त प्रणाली से एक लर्निंग न्यूरल नेटवर्क कैसे बनाया जाए?

सबसे पहले, एक महत्वपूर्ण बिंदु प्रत्येक किनारे पर एक समान संरचना में वजन का परिचय है। प्रत्येक वजन एक या किसी अन्य तत्व के समूह के रिश्ते की संभावना को प्रतिबिंबित करेगा (उदाहरण के लिए, छिपी हुई परत के पहले न्यूरॉन को इनपुट पैरामीटर ए, क्रमशः समूह एबी में शामिल करने के लिए), या उत्तर एक्स, वाई, जेड, आदि के लिए।

शायद यह पाठक के लिए पूरी तरह से स्पष्ट नहीं होगा कि इस तरह के तंत्रिका नेटवर्क काम में कैसे आ सकते हैं - इस मामले में मैं एक काफी सरल उदाहरण दूंगा:

मान लें कि हमारे पास डेटा का एक बड़ा नमूना नहीं है, लेकिन केवल एक " सामान्यीकृत राय" है। हम एक तंत्रिका नेटवर्क बनाना चाहते हैं जो किसी व्यक्ति के लिए एक अलग मेनू दे।

मान लीजिए कि हम इस उपयोगकर्ता के स्वाद और वरीयताओं के बारे में कुछ नहीं जानते हैं, लेकिन आपको अभी भी कहीं न कहीं शुरुआत करनी होगी। हम एक विशिष्ट मेनू का सामान्यीकृत आरेख बनाते हैं:

• आमलेट का नाश्ता
• सूप का सूप
• दलिया डिनर

तदनुसार, शुरुआती दिनों में, एक व्यक्ति को केवल ऐसा मेनू प्राप्त होता है, लेकिन उपयोगकर्ता की वरीयताओं के साथ तंत्रिका नेटवर्क की "परिचितता" के साथ, नाश्ते और आमलेट को जोड़ने वाला वजन छोटा हो जाता है, और नाश्ते और दलिया को जोड़ने वाला वजन बढ़ जाता है। तदनुसार, अब, तंत्रिका नेटवर्क "स्पष्ट" है कि वास्तव में उपयोगकर्ता एक या दूसरे भोजन के लिए क्या पसंद करता है (इस मामले में, यह पता चलता है कि हमारा उपयोगकर्ता तले हुए अंडे के बजाय नाश्ते के लिए दलिया पसंद करता है)। समय के साथ, शायद किसी व्यक्ति की प्राथमिकताएं बदल जाएंगी और तंत्रिका नेटवर्क फिर से उनके अनुकूल हो जाएगा।

So. कम से कम, आरबीएनएन उन मामलों में बहुत उपयोगी हो सकते हैं जहां कोई बड़े नमूने नहीं होते हैं, जब कोई भी नहीं होता है, और यह भी कि जब हमें एक ऐसी प्रणाली की आवश्यकता होती है जो पूरी तरह से एक विशिष्ट व्यक्ति के अनुरूप होगी। इसके अलावा, ऐसे तंत्रिका नेटवर्क काफी सरल हैं, जो उन्हें अन्य लोगों को शिक्षित करने और तंत्रिका नेटवर्क के प्रभावों को समझने के लिए उपयोग करने की अनुमति देता है।

पहले, यह हमेशा कहने के लिए प्रथागत था कि तंत्रिका नेटवर्क एक "ब्लैक बॉक्स" है, और जो कुछ भी इसके अंदर है उसे सुलभ तरीके से नहीं समझाया जा सकता है। अब, ऊपर प्रस्तुत संरचना होने से, एक तंत्रिका नेटवर्क का निर्माण संभव है जो न केवल प्रभावी होगा, बल्कि इसके बारे में तंत्र को समझने के लिए भी सुलभ होगा।