Раздел 4. ПРОБЛЕМЫ ПРАКТИЧЕСКОГО ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

4.1. Предварительный подбор архитектуры сети

Для решения какой-либо задачи с применением искусственной нейронной сети следует прежде всего спроектировать структуру сети, адекватную поставленной задаче. Это предполагает выбор количества слоев сети и нейронов в каждом слое, а также определение необходимых связей между слоями.

Подбор количества нейронов во входном слое обусловлен размерностью входного вектора Подобная ситуация и с выходным слоем, в котором количество нейронов принимается равным размерности ожидаемого вектора Серьезной проблемой остается подбор количества скрытых (внутренних) слоев и числа нейронов в каждом из них. Теоретическое решение этой задачи в смысле условия достаточности было предложено математиками, занимающимися аппроксимацией функции нескольких переменных. Следует отметить, что ИНС выступает в роли универсального аппроксиматора обучающих данных [46, 56]. В процессе обучения подбираются его функциональные коэффициенты векторы весов отдельных нейронов). На этапе функционирования при зафиксированных значениях весов производится простой расчет значения аппроксимирующей функции при заданном входном векторе.

Определение минимального количества скрытых слоев сети основано на использовании свойств аппроксимирующих функций. Каждая заданная функция может быть выражена линейной комбинацией локальных импульсов, которые имеют ненулевое значение только в ближайшей окрестности текущего значения х. Импульсная функция определенной структуры может быть сформирована как суперпозиция двух функций, сдвинутых относительно друг друга [38, 113]. На рис. 4.1 демонстрируется способ формирования импульса для одномерной сети имеющей единственный вход). Две сдвинутые относительно друг друга идентичные сигмоиды создают в результате вычитания импульс с длительностью, пропорциональной разности смещений этих сигмоидальных функций. Соответствующим подбором функциональных параметров можно добиться формирования такого импульса, который будет возникать в необходимом для нас месте, будет иметь требуемую ширину и крутизну нарастания.

Рис. 4.1. Иллюстрация способа формирования локального одномерного импульса из двух сигмоидальных функций

В случае двухмерной сети можно аналогичным способом сформировать импульс на плоскости [38]. Разность двух определенных на плоскости и сдвинутых относительно друг друга сигмоидальных функций образует гребень бесконечной длины, показанный на рис. 4.2 а. Добавляя следующую пару сдвинутых относительно друг друга сигмоидальных функций и вычисляя их разность, можно получить второй гребень бесконечной длины. При подборе параметров обеих сигмоидальных пар таким образом, чтобы их гребни располагались под определенным углом (например, 90°), можно получить в результате суммирования этих гребней структуру двухмерного горба, представленного на рис. 4.2 б. В месте пересечения гребней образуется импульс двухмерной формы, ограниченный с четырех сторон ответвлениями бесконечной длительности. Эти ответвления можно ликвидировать передачей всего импульса на следующую сигмоидальную функцию (дополнительный слой нейронов) с соответственно подобранным порогом. Как следствие, выполняется фильтрация значения суммы на определенном уровне, подобранном так, что импульс, сформированный сложением двух гребней, пропускается, тогда как ответвления гребней отсекаются. Структура сгенерированного таким образом импульса показана на рис. 4.2 в.

Созданная этим способом двухвходовая ИНС содержит скрытый слой, состоящий из четырех нейронов, и выходной слой, на котором расположен один нейрон сигмоидального типа. При построении сигмоидальной функции активации с соответствующим порогом он выполняет суммирование сигналов от предыдущих четырех нейронов и отсечение ответвлений.

Возможность обобщения приведенных рассуждений на случай многовходовой сети следует из теории Колмогорова [46, 50,76, 114]. Если ограничиться непрерывной функцией, трансформирующей -мерное множество входных данных в М-мерный выходной вектор то можно доказать, что аппроксимация такого типа осуществима при использовании сети с одним скрытым слоем. При входных нейронах будет достаточно использовать для реализации этой функции

скрытый слой с нейронами. Архитектура ИНС, удовлетворяющая теореме Колмогорова, изображена на рис. 4.3.

Рис. 4.2. Иллюстрация способа формирования импульса двухмерной сетью: а) разность пары двухмерных сигмоидальных функций; б) структура, сформированная в результате суммирования разностей двух пар двухмерных сигмоидальных функций; в) форма импульса после обработки его пороговой сигмоидальной функцией

В предложенном Колмогоровым доказательстве теоремы принято, что выходные сигналы отдельных слоев описываются зависимостями вида для нейронов скрытого слоя при либо

для нейронов выходного слоя. Символами обозначены некоторые точно не определенные непрерывные функции, а все используемые в этих формулах коэффициенты подбираются в процессе обучения.

В случае дискретного преобразования одного скрытого слоя уже недостаточно и необходимо создание еще одного слоя нейронов [46]. Это

означает, что независимо от вида многовходовой аппроксимирующей функции максимальное количество скрытых слоев, достаточных для аппроксимации заданного преобразования, не превышает двух.

Результат, полученный благодаря применению теоремы Колмогорова, носит теоретический характер. Он определяет максимальное количество слоев и число нейронов в отдельных слоях, достаточных для аппроксимации заданного преобразования. Теорема не уточняет ни вид нелинейных функций, ни методы обучения сети, создаваемой для реализации данного преобразования.

Рис. 4.3. Архитектура сети, удовлетворяющей теореме Колмогорова

Однако она представляет собой фактор, важный для минимизации структурь ИНС. В практических реализациях сетей как количество слоев, так и числг нейронов в каждом из них может отличаться от предлагаемых теоремо, Колмогорова. Помимо немногочисленных исключений (например, неокогнитрон чаще всего используются сети, имеющие один скрытый слой (максимум - два), причем количество нейронов в слое может различаться (как правило, от до