Trong (Hình 12.1) các khớp thần kinh được mơ hình như một vetor đầu vào và thu thập thơng tin từ một nơ-ron bên ngồi (Input Values). Các nhánh thần kinh được thay thế bởi các trọng số (Weights) có tác dụng gia tăng hoặc giảm thiểu giá trị của các vector đầu vào. (Bias) được thêm vào với tác dụng tăng cường giá trị tại nhân. Nhân tế bào được thay thế bởi bộ tổng (Net sum). Sau khi các tín hiệu đầu vào đi qua bộ tổng, giá trị đầu ra được quyết định bởi một hàm kích hoạt (Activation function).
Với mơ hình tốn ta có một cơng thức tổng quát đơn giản như sau:
y = f (x1w1 + x2 w2 + x3w3 + ... + xnwn + b) (12.1) Trong đó:
y là giá trị đầu ra (Output Values),
[x1,x2,x3…xn] là giá trị đầu vào (Input Values), [w1, w2, w3…wn] là trọng số (Weights),
b là giá trị tăng cường (Bias),
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 119 Đối với con người và các động vật: Học là quá trình tiếp thu cái mới hoặc bổ sung, trau dồi các kiến thức, kỹ năng, kinh nghiệm, giá trị, nhận thức, sở thích từ thầy cơ, bạn bè, mơi trường sống và có thể liên quan đến việc tổng hợp các loại thông tin khác nhau. Kết quả là nhận thức tiến bộ theo thời gian và có xu hướng tiệm cận theo đường cong học tập.
Đối với một mạng nơ-ron nhân tạo, q trình học có thể được coi là vấn đề khởi tạo trọng số của các kết nối trong mạng, để thực hiện thành công nhiệm vụ được yêu cầu. Như ở cơng thức (12.1) q trình học chính là q trình tìm kiếm các tham số w,b sao cho kết quả đầu ra y là chính xác nhất.
Học là một q trình đặc trưng chính của mạng nơ-ron nhân tạo, nó có thể được thực hiện bằng nhiều cách khác nhau và tùy theo các quy trình khác nhau, học có thể được chia thành 2 loại:
Học có giám sát
Trong loại hình học này, mạng nơ-ron được làm đào tạo bằng cách tạo ra các logic (bộ hệ số) từ các dữ liệu mẫu cho trước sau đó so sánh độ chính xác của kết quả tính tốn dựa trên các mẫu đầu vào đã cho, và đáp số dự kiến ở đầu ra. Vì thế mạng sẽ thay đổi (bộ hệ số) cho đến khi nó tìm được đầu ra đúng.
Học khơng có giám sát
Ngược lại với học có giám sát, học khơng có giám sát mạng nơ-ron sẽ thay đổi dựa trên các xác suất. Mạng sẽ được thay đổi trạng thái thống kê đều đặn và thiết lập các mục loại, bằng cách quy định và làm tối ưu hóa giá trị chất lượng, các mục loại được chấp nhận. Các phương pháp học có giám sát được sử dụng rộng rãi. Tuy nhiên, các loại khác của các mạng nơ-ron có thể có được huấn luyện bằng các kỹ thuật học khơng có giám sát. Trong một số trường hợp để nhận dạng các đặc tính nào đó trong một nhóm dữ liệu, các mạng khơng giám sát có thể được dùng. Có nhiều cấu trúc khác nhau của mạng nơ-ron mà hiệu quả của mạng nhiều hay ít tùy thuộc vào ứng dụng được thực hiện:
SVTH: NGUYỄN TRẦN MINH MSSV: 1648020 Trang 120
12.1.4 Phân loại mạng nơ-ron
Hầu hết các phân loại đã được công nhận phân biệt giữa các mạng truyền thẳng (feedforward) và các mạng quy hồi (feedback)
12.1.4.1 Mạng nơ-ron truyền thẳng (Feedforward Neural Network)
Mạng nơ-ron truyền thẳng là mạng thần kinh nhân tạo trong đó kết nối giữa các node khơng tạo thành một chu kỳ khép kín.
Trong mơ hình này, trong một lớp, mỗi nơ-ron được nối vào tất cả các nơ-ron của lớp trước và lớp sau (trừ các lớp vào và ra) và khơng có kết nối giữa các nơ-ron trong cùng một lớp. Các hàm kích hoạt dùng trong loại mạng này chủ yếu là các hàm giới hạn cứng hoặc tuyến tính bão hịa…
Mạng truyền thẳng được thiết kế như thế nào để nó làm việc như một mạng nhiều lớp, lan truyền về phía trước, bằng cách sử dụng chức năng học có giám sát. Phương pháp này được đặc trưng bởi quá trình học. Quá trình này được thực hiện bởi việc huấn luyện được điều khiển bằng một tác nhân ngoài mà sẽ xác định đầu ra của mạng trước khi xác định đầu vào. Các mạng lan truyền ngược có khả năng tự làm thích ứng với các trọng số của nơ-ron trong các lớp trung gian để nắm bắt các mối quan hệ giữa tập hợp các thông tin quen thuộc của đầu vào và sự truyền đi tương ứng của nó.
Hidden
Hidden
Hidden