2) Нельзя при изучении нейронных сетей отказываться от рассмотрения математической модели нейронной сети. В противном случае, по мнению авторов, есть опасность превращения модели нейронной сети в «черный ящик».

Конспект урока

Урок 2. ТЕМА

: Нейронные сети

ЦЕЛИ

1) образовательные: сформировать понятия нейронной сети, понятия однослойного персептрона, многослойного персептрона, сформировать представления о механизме обработки информации в нейронных сетях, сформировать умение обрабатывать входную информацию;

2) развивающие: развить память, абстрактно-логическое мышление;

3) воспитательные: воспитать дисциплинированность.

ХОД УРОКА

:

1. Организационный момент.

[Назвать тему урока]

2. Опрос по теме предыдущего урока (актуализация знаний).

[Двух учеников к доске: один ученик объясняет кибернетическую модель нейрона, другой – виды активационных функций; третий ученик, пока двое готовятся у доски, рассказывает о том, что такое нейрокибернетика]

Предполагаемые ответы учащихся

1) Нейрокибернетика

Основную идею нейрокибернетики можно сформулировать следующим образом. Единственный объект, способный мыслить, – это человеческий мозг. Поэтому любое мыслящее устройство должно каким-то образом воспроизводить его структуру.

Нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре мозга. Физиологами давно установлено, что основой человеческого мозга является большое количество (до 1021) связанных между собой взаимодействующих нервных клеток – нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями.

Основная область применения нейрокомпьютеров – распознавание образов.

2) Нейрон

Искусственный нейрон имитирует свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синоптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Рис 1.

Множество входных сигналов, обозначенных X[1], X[2], X[3], .X[m], поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые одномерным массивом X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес W[1], W[2], W[3], .W[m], и поступает на суммирующий блок, обозначенный СУМ. Каждый вес соответствует "силе" одной биологической синоптической связи. Множество весов в совокупности обозначается одномерным массивом W. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET.

NET = X[1]*W[1]+X[2]*W[2]+…+X[m]*W[m].

3) Активационные функции

Сигнал NET далее, как правило преобразуется активационной функцией f и дает выходной нейронный сигнал Y. Активационная функция может быть обычной линейной функцией:

Y=K(NET), где К – постоянная,

пороговой функцией

Y=1,если NET>T

Y=0, если NET<=T, где T – некоторая постоянная пороговая величина,

логистической (сигмоидальной) функцией, которая осуществляет нелинейную обработку выходного сигнала NET.

Y=1/(1+e(-σNET)).

Данная функция является сжимающей, т.к. при любых значениях NET значения Y принадлежит некоторому конечному интервалу.

[Выступившим ученикам выставить отметки]

3. Изложение новых знаний.

На прошлом уроке мы рассмотрели элементарную единицу нервной системы человека – нейрон, а также рассмотрели его модель. Нейроны объединяются между собой в сети – нейронные сети.