AI的人工神經(jīng)網(wǎng)絡(luò)
人工智能,深度學(xué)習(xí)和機(jī)器學(xué)習(xí),不論你現(xiàn)在是否能夠理解這些概念,你都應(yīng)該學(xué)習(xí)。否則三年內(nèi),你就會(huì)像滅絕的恐龍一樣被社會(huì)淘汰。
——馬克·庫班(NBA小牛隊(duì)老板,億萬富翁)
我們正經(jīng)歷一場(chǎng)大革命,這場(chǎng)革命就是由大數(shù)據(jù)和強(qiáng)大電腦計(jì)算能力發(fā)起的。
人工智能的底層模型是"神經(jīng)網(wǎng)絡(luò)"(neural network)。許多復(fù)雜的應(yīng)用(比如模式識(shí)別、自動(dòng)控制)和高級(jí)模型(比如深度學(xué)習(xí))都基于它。學(xué)習(xí)人工智能,一定是從它開始。
人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)是模擬人和動(dòng)物的神經(jīng)網(wǎng)絡(luò)的某種結(jié)構(gòu)和功能的模擬,所以要了解神經(jīng)網(wǎng)絡(luò)的工作原理,所以我們首先要了解生物神經(jīng)元。其結(jié)構(gòu)如下圖所示:
從上圖可看出生物神經(jīng)元它包括,細(xì)胞體:由細(xì)胞核、細(xì)胞質(zhì)與細(xì)胞膜組成;
軸突:
是從細(xì)胞體向外伸出的細(xì)長(zhǎng)部分,也就是神經(jīng)纖維。軸突是神經(jīng)細(xì)胞的輸出端,通過它向外傳出神經(jīng)沖動(dòng);
樹突:
是細(xì)胞體向外伸出的許多較短的樹枝狀分支。它們是細(xì)胞的輸入端,接受來自其它神經(jīng)元的沖動(dòng);
突觸:
神經(jīng)元之間相互連接的地方,既是神經(jīng)末梢與樹突相接觸的交界面。
對(duì)于從同一樹突先后傳入的神經(jīng)沖動(dòng),以及同一時(shí)間從不同樹突輸入的神經(jīng)沖動(dòng),神經(jīng)細(xì)胞均可加以綜合處理,處理的結(jié)果可使細(xì)胞膜電位升高;當(dāng)膜電位升高到一閥值(約40mV),細(xì)胞進(jìn)入興奮狀態(tài),產(chǎn)生神經(jīng)沖動(dòng),并由軸突輸出神經(jīng)沖動(dòng);當(dāng)輸入的沖動(dòng)減小,綜合處理的結(jié)果使膜電位下降,當(dāng)下降到閥值時(shí)。細(xì)胞進(jìn)入抑制狀態(tài),此時(shí)無神經(jīng)沖動(dòng)輸出?!芭d奮”和“抑制”,神經(jīng)細(xì)胞必呈其一。
突觸界面具有脈沖/電位信號(hào)轉(zhuǎn)換功能,即類似于D/A轉(zhuǎn)換功能。沿軸突和樹突傳遞的是等幅、恒寬、編碼的離散電脈沖信號(hào)。細(xì)胞中膜電位是連續(xù)的模擬量。
神經(jīng)沖動(dòng)信號(hào)的傳導(dǎo)速度在1~150m/s之間,隨纖維的粗細(xì),髓鞘的有無而不同。
神經(jīng)細(xì)胞的重要特點(diǎn)是具有學(xué)習(xí)功能并有遺忘和疲勞效應(yīng)。總之,隨著對(duì)生物神經(jīng)元的深入研究,揭示出神經(jīng)元不是簡(jiǎn)單的雙穩(wěn)邏輯元件而是微型生物信息處理機(jī)制和控制機(jī)。
而人工神經(jīng)網(wǎng)絡(luò)的基本原理也就是對(duì)生物神經(jīng)元進(jìn)行盡可能的模擬,當(dāng)然,以目前的理論水平,制造水平,和應(yīng)用水平,還與人腦神經(jīng)網(wǎng)絡(luò)的有著很大的差別,它只是對(duì)人腦神經(jīng)網(wǎng)絡(luò)有選擇的,單一的,簡(jiǎn)化的構(gòu)造和性能模擬,從而形成了不同功能的,多種類型的,不同層次的神經(jīng)網(wǎng)絡(luò)模型。
人工神經(jīng)網(wǎng)絡(luò)具有四個(gè)基本特征:
(1)非線性非線性關(guān)系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài),這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能,可以提高容錯(cuò)性和存儲(chǔ)容量。
(2)非局限性一個(gè)神經(jīng)網(wǎng)絡(luò)通常由多個(gè)神經(jīng)元廣泛連接而成。
一個(gè)系統(tǒng)的整體行為不僅取決于單個(gè)神經(jīng)元的特征,而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。
(3)非常定性人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。
神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化,而且在處理信息的同時(shí),非線性動(dòng)力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動(dòng)力系統(tǒng)的演化過程。
(4)非凸性一個(gè)系統(tǒng)的演化方向,在一定條件下將取決于某個(gè)特定的狀態(tài)函數(shù)。
例如能量函數(shù),它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個(gè)極值,故系統(tǒng)具有多個(gè)較穩(wěn)定的平衡態(tài),這將導(dǎo)致系統(tǒng)演化的多樣性。
人工神經(jīng)網(wǎng)絡(luò)是一種非程序化、適應(yīng)性、大腦風(fēng)格的信息處理,其本質(zhì)是通過網(wǎng)絡(luò)的變換和動(dòng)力學(xué)行為得到一種并行分布式的信息處理功能,并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。它是涉及神經(jīng)科學(xué)、思維科學(xué)、人工智能、計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域的交叉學(xué)科。
人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng),采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機(jī)理,克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷,具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)。
典型神經(jīng)網(wǎng)絡(luò)
當(dāng)前最常見的幾種神經(jīng)網(wǎng)絡(luò)分別是感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、柯荷倫網(wǎng)絡(luò)、競(jìng)爭(zhēng)網(wǎng)絡(luò),這幾種網(wǎng)絡(luò)各具特點(diǎn)。
1、感知器
感知器的工作原理是使用直線、平面等切割平面或立體空間,將這些平面或空間分成若干不同的區(qū)域 ,以達(dá)到對(duì)輸入信號(hào)進(jìn)行分類的目的。感知器在使用前,需要先進(jìn)行訓(xùn)練。訓(xùn)練感知器的主要目的是調(diào)整它的權(quán)值。訓(xùn)練感知器時(shí),通過選擇典型的輸入類型,這些輸入需要能代表所有的輸入類型,然后將這些數(shù)據(jù)輸入到感知器中對(duì)感知器進(jìn)行訓(xùn)練。訓(xùn)練之后,感知器網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)及權(quán)值得到了調(diào)整。當(dāng)感知器訓(xùn)練完成之后,就可以進(jìn)行工作了。
2、BP 網(wǎng)絡(luò)
BP 網(wǎng)絡(luò)是當(dāng)前使用得最多的一種神經(jīng)網(wǎng)絡(luò),它的主要功能是對(duì)非線性有理函數(shù)進(jìn)行逼近,以滿足對(duì)非線性系統(tǒng)的控制作用。一般使用最速下降法對(duì) BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練,將誤差反向傳播,當(dāng)有大量的數(shù)據(jù)通過 BP 網(wǎng)絡(luò)時(shí),網(wǎng)絡(luò)的權(quán)值和閾值得到調(diào)整,并使得網(wǎng)絡(luò)的誤差系數(shù)降低到最小 。下式是不含反饋的神經(jīng)網(wǎng)絡(luò)的輸入與輸出關(guān)系:
以上表達(dá)式不能表示具有反饋方式的神經(jīng)網(wǎng)絡(luò),如果需要表示 BP 網(wǎng)絡(luò),還需要對(duì)上式加入反饋部分,如下式所示:
當(dāng)訓(xùn)練結(jié)束之后,此神經(jīng)網(wǎng)絡(luò)即是 BP 網(wǎng)絡(luò),它就可用于對(duì)非線性系統(tǒng)的控制。它將輸出反饋到輸入,作為輸入的一部分,以達(dá)到對(duì)系統(tǒng)權(quán)值的持續(xù)調(diào)整,消除非線性影響的作用。
3、競(jìng)爭(zhēng)網(wǎng)絡(luò)
競(jìng)爭(zhēng)網(wǎng)絡(luò)一般用于對(duì)大量具有典型特征的數(shù)據(jù)進(jìn)行分類,它是一種單層網(wǎng)絡(luò),包括輸入層和競(jìng)爭(zhēng)層,輸入層和競(jìng)爭(zhēng)層共用一個(gè)權(quán)值函數(shù)。競(jìng)爭(zhēng)網(wǎng)絡(luò)的訓(xùn)練和工作并未像其它神經(jīng)網(wǎng)絡(luò)那樣明確分開,而是在工作的過程中實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練。它的訓(xùn)練方式是無監(jiān)督式的,訓(xùn)練過程是通過競(jìng)爭(zhēng),將獲勝節(jié)點(diǎn)的權(quán)值進(jìn)行調(diào)整,從而使網(wǎng)絡(luò)的輸出于輸入間的誤差逐漸減小,在這個(gè)競(jìng)爭(zhēng)過程中,就可以通過輸出的不同,而將輸入分成不同的類型,以實(shí)現(xiàn)自動(dòng)分類的功能。
4、柯荷倫網(wǎng)絡(luò)
為了實(shí)現(xiàn)對(duì)具有概率分布模式的數(shù)據(jù)進(jìn)行分類,可以利用柯荷倫網(wǎng)絡(luò)模型??潞蓚惥W(wǎng)絡(luò)網(wǎng)絡(luò)模型與普通的網(wǎng)絡(luò)模型很相似,它的不同之處在與它在訓(xùn)練過程中對(duì)節(jié)點(diǎn)的調(diào)整方法的區(qū)別??潞蓚惥W(wǎng)絡(luò)模型對(duì)節(jié)點(diǎn)的調(diào)節(jié)方式與競(jìng)爭(zhēng)網(wǎng)絡(luò)的比較相似,都是通過競(jìng)爭(zhēng)來確定需要調(diào)整的網(wǎng)絡(luò)節(jié)點(diǎn),競(jìng)爭(zhēng)網(wǎng)絡(luò)只需要調(diào)整競(jìng)爭(zhēng)獲勝的節(jié)點(diǎn),而柯荷倫網(wǎng)絡(luò)除了需要調(diào)整競(jìng)爭(zhēng)獲勝的網(wǎng)絡(luò)節(jié)點(diǎn),還需要調(diào)整獲勝節(jié)點(diǎn)的臨近節(jié)點(diǎn)。
BP 網(wǎng)絡(luò)在智能系統(tǒng)中的應(yīng)用
1、聯(lián)想記憶
在信號(hào)處理、語音和圖像識(shí)別等領(lǐng)域,當(dāng)輸入數(shù)據(jù)具有干擾或需要網(wǎng)絡(luò)具有糾錯(cuò)能力時(shí),就需要網(wǎng)絡(luò)能夠識(shí)別出這種錯(cuò)誤,并將其糾正過來。為了能得到具有這種功能的神經(jīng)網(wǎng)絡(luò),可以先將識(shí)別對(duì)象轉(zhuǎn)換成網(wǎng)絡(luò)的平衡節(jié)點(diǎn),通過調(diào)整節(jié)點(diǎn)的權(quán)值,使其記住這些目標(biāo)。然后再通過不斷對(duì)網(wǎng)絡(luò)輸入學(xué)習(xí)數(shù)據(jù),使其不斷進(jìn)行聯(lián)想,最終使目標(biāo)模型的特征收斂到網(wǎng)絡(luò)的平衡節(jié)點(diǎn)上。例如在進(jìn)行文字處理時(shí),為了能是神經(jīng)網(wǎng)絡(luò)具有識(shí)別出錯(cuò)誤文字的功能,可先將特定模型的文字轉(zhuǎn)化成網(wǎng)絡(luò)平衡節(jié)點(diǎn),然后在對(duì)網(wǎng)絡(luò)輸入正確的文字,在不斷的訓(xùn)練過程中,網(wǎng)絡(luò)就能實(shí)現(xiàn)對(duì)錯(cuò)誤輸入的識(shí)別作用。
2、優(yōu)化計(jì)算
霍普菲爾德的網(wǎng)絡(luò)穩(wěn)定性判別函數(shù)以能量為基礎(chǔ)。當(dāng)系統(tǒng)不穩(wěn)定時(shí),能量會(huì)逐漸減小,并最終趨于穩(wěn)定。在大規(guī)模電力線路的設(shè)計(jì)過程中,為了使設(shè)計(jì)的電子線路系統(tǒng)最優(yōu),就需要對(duì)設(shè)計(jì)不斷進(jìn)行優(yōu)化。通過對(duì)系統(tǒng)網(wǎng)絡(luò)進(jìn)行分析,求解出網(wǎng)絡(luò)的最優(yōu)參數(shù)之后,將這些參數(shù)轉(zhuǎn)換成神經(jīng)網(wǎng)絡(luò)中的平衡節(jié)點(diǎn)。在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之后,網(wǎng)絡(luò)就可以通過不斷循環(huán)優(yōu)化,最終設(shè)計(jì)出一個(gè)最優(yōu)電子線路系統(tǒng)。
3、影像處理
在人造成像系統(tǒng)中,無論是光學(xué)成像,還是聲波成像,以及電磁波成像,由于在對(duì)影像進(jìn)行采集和處理的系統(tǒng)一般是數(shù)字系統(tǒng),并且數(shù)字信號(hào)本身比模擬信號(hào)具有更強(qiáng)的抗噪能力,在采集和處理過程中,必須先對(duì)影像資料進(jìn)行數(shù)字化處理,將模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)。因此,最終采集到的影像資料都是不連續(xù)的。
當(dāng)前對(duì)影像數(shù)據(jù)的處理主要包括:處理因焦距問題而產(chǎn)生的影像模糊;影像噪聲含量較多時(shí)將噪聲處理掉;使用邊緣檢測(cè)的方法,得到圖像的特殊屬性。影像處理所涉及的領(lǐng)域也非常寬廣,如對(duì)影像進(jìn)行分類、在醫(yī)學(xué)中對(duì)藥物反應(yīng)的影像進(jìn)行分析等。
在對(duì)圖像處理的研究中,主要出現(xiàn)過線性鑒別、遺傳網(wǎng)絡(luò)、counter-propagation network 三種主要的處理方法 ,經(jīng)過比較其處理結(jié)果,發(fā)現(xiàn)利用遺傳網(wǎng)絡(luò)進(jìn)行處理的性能最好。
神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行處理的步驟如下:將原始圖像輸入到網(wǎng)絡(luò)中;利用特征提取的方法得到圖像自身的屬性;對(duì)圖像特征進(jìn)行分類;將這些處理結(jié)果作為訓(xùn)練資料或數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中,通過神經(jīng)網(wǎng)絡(luò)的自動(dòng)分辨功能,分辨出圖形結(jié)果。
在實(shí)際使用時(shí),先對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,再將神經(jīng)網(wǎng)絡(luò)投入到實(shí)際應(yīng)用中。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像處理具有諸多實(shí)際應(yīng)用意義,也是當(dāng)前研究的一個(gè)熱點(diǎn)方向。在Google 地圖、對(duì)天文圖像的處理及網(wǎng)絡(luò)圖像分析等領(lǐng)域,由于資料十分龐大,利用人工進(jìn)行處理,顯然是不切實(shí)際的。為了能快速的得到所需的圖像特征,查找出需要的圖像資料,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像處理,無疑是最好的選擇。
神經(jīng)網(wǎng)絡(luò)是一門重要的機(jī)器學(xué)習(xí)技術(shù)。它是目前最為火熱的研究方向–深度學(xué)習(xí)的基礎(chǔ)。學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不僅可以讓你掌握一門強(qiáng)大的機(jī)器學(xué)習(xí)方法,同時(shí)也可以更好地幫助你理解深度學(xué)習(xí)技術(shù)。
- END -
*博客內(nèi)容為網(wǎng)友個(gè)人發(fā)布,僅代表博主個(gè)人觀點(diǎn),如有侵權(quán)請(qǐng)聯(lián)系工作人員刪除。