(Artikel ini tidak menjelaskan konsep dasar teori jaringan saraf. Bagi mereka yang tidak mengenalnya, sebelum membaca saya sarankan Anda membaca untuk mengecualikan kesalahan lebih lanjut.)
Inti dari teks ini adalah
membiasakan diri dengan beberapa jenis jaringan saraf yang tercakup dalam ekspansi berbahasa Rusia, tidak terlalu sering, jika tidak dikatakan sama sekali, sangat jarang.
- Jaringan saraf berbasis aturan (jaringan saraf berbasis aturan, selanjutnya RBNN ) adalah jaringan saraf berdasarkan aturan dasar (seperti implikasi normal), karena yang, secara kasar, kita mendapatkan sistem pakar yang sudah jadi, namun, sekarang kita sudah pelatihan.
- Jaringan saraf logis dapat dikaitkan dengan tipe yang sama sekali berbeda, tetapi saya mengusulkan untuk menghubungkannya dengan salah satu varietas RBNN. Konsep jaringan saraf logis pertama kali dijelaskan dalam karya A. Barsky - "Jaringan saraf logis".
Gagasan jaringan saraf logis adalah untuk membangun pada setiap neuron dari lapisan tersembunyi salah satu operasi logis: konjungsi atau disjungsi.
Ilustrasi dari buku "Logical Neural Networks", hlm. 241
Mengapa jenis jaringan saraf ini layak mengacu pada RBNN? Karena operasi logis yang dijelaskan di atas adalah aturan khusus yang mengekspresikan hubungan parameter input satu sama lain.
Konsep "aturan awal" yang dijelaskan di atas dapat didefinisikan lebih sederhana - basis pengetahuan. Bagi mereka yang akrab dengan sistem kontrol Fuzzy, definisi ini tidak akan baru.
Basis pengetahuan adalah tempat di mana semua aturan kami berada dalam bentuk ekspresi "JIKA X1 DAN \ ATAU X2 KEMUDIAN Y", dll. Mengapa saya menyebutkan sistem fuzzy? Karena penciptaan Fuzzy-regulator dapat direpresentasikan sebagai tahap pertama dari penciptaan RBNN, juga karena mereka mendorong saya pada ide untuk mengubah jaringan saraf biasa menjadi sesuatu yang serupa.
Misalkan kita memiliki basis pengetahuan dan sistem pakar kecil yang dibangun di atasnya. Dalam bentuk grafik, ini dapat dinyatakan sebagai berikut:
Sumber: www.lund.irf.se/HeliosHome/rulebased.html
Sekarang pertanyaannya adalah bagaimana membuat jaringan pembelajaran neural dari sistem ketat ini?
Pertama, poin penting adalah pengenalan bobot ke dalam struktur yang serupa, di setiap sisi. Setiap bobot akan mencerminkan probabilitas hubungan satu atau elemen lainnya dengan grup yang lain (misalnya, parameter input A ke neuron pertama dari lapisan tersembunyi, masing-masing, untuk keterlibatan dalam grup AB), atau ke jawaban X, Y, Z, dll.
Mungkin tidak akan sepenuhnya jelas bagi pembaca di mana jaringan saraf dapat berguna - dalam hal ini saya akan memberikan contoh yang cukup sederhana:
Misalkan kita tidak memiliki sampel data yang besar, tetapi hanya "pendapat
umum ". Kami ingin membuat jaringan saraf yang akan memberikan menu individual untuk seseorang.
Misalkan kita tidak tahu apa-apa tentang selera dan preferensi pengguna ini, tetapi Anda masih perlu memulai dari suatu tempat. Kami membuat diagram
umum dari menu khas:
- sarapan omelet
- sup sup
- makan malam bubur
Oleh karena itu, pada hari-hari awal, seseorang menerima menu seperti itu, tetapi dengan "keakraban" dari jaringan saraf dengan preferensi pengguna, berat yang menghubungkan sarapan dan telur dadar menjadi lebih kecil, dan berat yang menghubungkan sarapan dan bubur meningkat. Oleh karena itu, sekarang, jaringan saraf "jelas" apa sebenarnya yang lebih disukai pengguna untuk satu atau yang lain makan (dalam hal ini, ternyata pengguna kami lebih suka bubur untuk sarapan daripada telur dadar). Seiring waktu, mungkin preferensi seseorang akan berubah dan jaringan saraf akan kembali beradaptasi dengannya.
Jadi Minimal, RBNN dapat sangat berguna dalam kasus-kasus di mana tidak ada sampel besar, ketika tidak ada sampel sama sekali, dan juga ketika kita membutuhkan sistem yang akan sepenuhnya dirancang untuk orang tertentu. Selain itu, jaringan saraf semacam itu cukup sederhana, yang memungkinkan mereka digunakan untuk mendidik orang lain dan memahami efek dari jaringan saraf.
Sebelumnya, selalu dikatakan bahwa jaringan saraf adalah "kotak hitam", dan semua yang ada di dalamnya tidak dapat dijelaskan dengan cara yang dapat diakses. Sekarang, dengan memiliki struktur yang disajikan di atas, dimungkinkan untuk membangun jaringan saraf yang tidak hanya efektif, tetapi juga dapat diakses untuk memahami mekanisme yang mengelilinginya.