Wykład VI
Transkrypt
Wykład VI
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład VI: Reprezentacje koneksjonistyczne jako modele (działania mózgu) Sieć neuronowa: terminologia Model sztucznego neuronu Jednostki i aktywacje Aktywacja sieciowa: suma wartości wejść; Net=Sum(wejście*waga) aktywacja neuronu: kombinacja aktywacji sieciowej i aktualnej, przesyłana jest dalej jako aktywacja wyjściowa programowanie sieci neuronowej: ustalanie jej reguł aktywacji, progu (o ile istnieje) oraz określenie wag połączeń każde połączenie jest ukierunkowane, przenosi pobudzenie lub wyhamowanie (inhibicję) każde połączenie związane jest z pewną wagą (wartość liczbowa, dodatnia lub ujemna) Programowanie i obliczanie N = (0.7*0.3) + (1.0*0.5) = 0.71 (aktywacja sieciowa C) Przykład 2: programowanie sieci: wagi połączeń: A-C=0.1, A-D=0.3, B-C=0.2, B-D=0.4 aktywacja: N = sumie zważonych wejść; aktywacja sieciowa=aktywacji bieżącej obliczanie: wejście: A: 1, B: 1 NA=1, NB=1 NC=1*0.1 + 1* 0.2 = 0.3 Programowanie i obliczanie Sieci kojarzące wzorce [pattern associator], PA struktura: programowanie: wyjście jednostki = aktywacji sieciowej (N) wagi: pobudzające (+), hamujące (-) reprezentacja matrycowa sieci: interpretacja: A: kształt płatków B: konfiguracja płatków C: kolor płatków D: rodzaj łodygi Sieć „różana” określona wartość pobudzenia danej jednostki reprezentuje określoną, specyficzną własność dane wejściowe: ciąg wartości dostarczanych jednostkom wejściowym: wektor wejścia <1, -1, -1, 1> Obliczanie: wartość wyjścia = suma zważonych wejść A-E: 1 × -0.25 = -0.25 B-E: -1 × 0.25 = -0.25 C-E: -1 × 0.25 = -0.25 D-E: 1 × -0.25 = -0.25; suma (E): = -1 zadanie: wyliczyć wartości wyjścia dla pozostałych jednostek wyjściowych (F-H); wektor wyjścia sieci różanej: <-1, -1, 1, 1> Błędy wejścia działania sieci PA nie uniemożliwia dostarczenie na wejściu błędnych (zdegradowanych, degraded) danych dane wejściowe: jednostka wejściowa C nie jest pobudzana: wektor wejścia <1, -1, 0, 1> obliczanie: A-E: 1 × -0.25 = -0.25 B-E: -1 × 0.25 = -0.25 C-E: 0 × 0.25 = 0 D-E: 1 × -0.25 = -0.25; suma (E): = -0.75 zadanie: wyliczyć wartości wyjścia dla pozostałych jednostek wyjściowych (F-H) wektor wyjścia sieci różanej: <-0.75, -0.75, 0.75, 0.75> Sieci nałożone [superimposed networks]: sieci PA mogą przechowywać skojarzenia między więcej, niż jedną parą wektorów wejścia-wyjścia sieć „kozia”: dane we/wy: wektor wejścia reprez. wygląd kozy <-1, 1, -1, 1>; wektor wyjścia (reprez. zapach kozy): <-1,1,1,-1> nałożenie sieci: [ ][ ][ a b w c d y x aw bx = z c y dz ] Sieci nałożone Czy w takiej sieci koza nie będzie pachniała różą ? (i vice versa) obliczanie: A-E: -1 × 0 =0 B-E: 1 × 0 = 0 C-E: -1 × 0.5 = 0.5 D-E: 1 × -0.5 = -0.5; suma (E):= -1 A-F: -1 × -0.5 = 0.5 B-F: 1 × 0.5 = 0.5 C-F: -1 × 0 =0 D-F: 1 × 0 = 0; suma (F): =1 zadanie: wyliczyć wartości wyjścia dla pozostałych jednostek wyjściowych (G-H) oraz dla wektora róży Sieci rekurencyjne sieci z jednokierunkowymi połączeniami [feedforward networks] + sprzężenia zwrotne (pętle) – modelowanie zjawisk ewoluujących wraz z upływem czasu: Rodzaje sieci rekurencyjnych: nierozszerzona (trójwarstwowa) sieć rekurencyjna: poziom wyższy przekazuje aktywację wstecznie do poziomu niższego dany poziom przekazuje aktywację samemu sobie rozszerzona (trójwarstwowa) sieć rekurencyjna – zawiera dodatkowy, rozszerzający poziom jednostek przekazujący aktywację do: ukrytego poziomu poziomu wejściowego (sieć Elmana, 1990, 1992) Sieci rekurencyjne