(Este artigo não explica os conceitos básicos da teoria das redes neurais. Para aqueles que não estão familiarizados com elas, antes de ler, recomendo que leia para excluir outros erros.)
A essência deste texto é
familiarizar-se com alguns tipos de redes neurais que são abordadas em extensões de língua russa, não com tanta frequência, se é para dizer, extremamente raramente.
- Redes neurais baseadas em regras (redes neurais baseadas em regras, a seguir denominadas RBNN ) são redes neurais baseadas em regras básicas (como implicação normal), devido às quais, grosso modo, obtemos um sistema especialista pronto, no entanto, agora já estamos treinando.
- Redes neurais lógicas podem ser atribuídas a um tipo completamente diferente, mas proponho atribuí-las a uma das variedades de RBNN. O conceito de redes neurais lógicas foi descrito pela primeira vez no trabalho de A. Barsky - "Redes neurais lógicas".
A idéia de redes neurais lógicas é estabelecer em cada neurônio da camada oculta uma das operações lógicas: conjunção ou disjunção.
Ilustração do livro “Redes Neurais Lógicas”, p.
Por que esse tipo de rede neural vale a pena se referir ao RBNN? Como as operações lógicas descritas acima são regras peculiares que expressam as relações dos parâmetros de entrada entre si.
Os conceitos de "regras iniciais" descritos acima podem ser definidos de maneira mais simples - uma base de conhecimento. Para aqueles familiarizados com os sistemas de controle Fuzzy, essa definição não será nova.
A base de conhecimento é o local onde todas as nossas regras estão localizadas na forma das expressões "SE X1 E \ OU X2 ENTÃO Y", etc. Por que eu mencionei sistemas difusos? Porque a criação do controlador difuso pode ser representada como o primeiro estágio da criação do RBNN, também porque foram eles que me levaram à idéia de transformar redes neurais comuns em algo semelhante.
Suponha que tenhamos uma base de conhecimento e um pequeno sistema especialista construído sobre ela. Na forma de gráficos, isso pode ser expresso da seguinte maneira:
Fonte: www.lund.irf.se/HeliosHome/rulebased.html
Agora, a questão é como criar uma rede neural de aprendizado com esse sistema rigoroso?
Primeiro, um ponto importante é a introdução de um peso em uma estrutura semelhante, em cada extremidade. Cada peso refletirá a probabilidade do relacionamento de um ou outro elemento com um grupo de outros (por exemplo, o parâmetro de entrada A para o primeiro neurônio da camada oculta, respectivamente, para o envolvimento no grupo AB) ou para a resposta X, Y, Z, etc.
Talvez não fique completamente claro para o leitor onde essas redes neurais podem ser úteis - nesse caso, darei um exemplo bastante simples:
Suponha que não tenhamos uma grande amostra de dados, mas apenas uma "opinião
generalizada ". Queremos criar uma rede neural que dê um menu individual para uma pessoa.
Suponha que não saibamos nada sobre os gostos e preferências desse usuário, mas você ainda precisa começar de algum lugar. Fazemos um diagrama
generalizado de um menu típico:
- omelete café da manhã
- sopa sopa
- jantar de mingau
Assim, nos primeiros dias uma pessoa recebe exatamente esse menu, mas com a "familiaridade" da rede neural com as preferências do usuário, o peso que conecta o café da manhã e a omelete diminui e o peso que conecta o café da manhã e o mingau aumenta. Assim, agora, a rede neural é "clara" o que exatamente o usuário prefere para uma ou outra refeição (nesse caso, acontece que nosso usuário gosta de mingau no café da manhã em vez de ovos mexidos). Com o tempo, talvez as preferências de uma pessoa mudem e a rede neural se adapte novamente a elas.
Então No mínimo, as RBNNs podem ser muito úteis nos casos em que não há grandes amostras, quando não há nenhuma, e também quando precisamos de um sistema que seja totalmente personalizado para uma pessoa específica. Além disso, essas redes neurais são bastante simples, o que lhes permite ser usadas para educar outras pessoas e entender os efeitos das redes neurais.
Anteriormente, sempre era costume dizer que a rede neural é uma "caixa preta" e tudo o que está dentro dela não pode ser explicado de forma acessível. Agora, tendo a estrutura apresentada acima, é possível construir uma rede neural que seria não apenas eficaz, mas também acessível para entender o mecanismo que a circunda.