Biologické studie ukazují, že lidský mozek nepracuje jako jediná masivní neuronová síť, ale jako soubor dílčích neuronových sítí. Tento výzkum dal zrod konceptu modulárních neuronových sítí, ve kterých několik dílčích sítí spolupracuje nebo soutěží, aby vyřešily daný problém. Například zpracování počitku probíhá ve dvou fázích, v první fázi proběhne projekce počitku do paměti projekční vrstvy sítě obsahující prototypy již zpracovaných počitků a v druhé fázi je tato projekce předložena k vyhodnocení asociativní vrstvě sítě.

Řazení neuronových sítí Řazení různých typů neuronových sítí do série může zpřesnit vyhodnocování předkládaných informací. Například pokud vícevrstvému perceptronu předřadíme samoorganizující síť, perceptron bude vyhodnocovat prototyp předkládaného vzoru, tj. reprezentanta skupiny podobných vzorů, na které může být lépe adaptován, nebo předřadíme-li vícevrstvému perceptronu lineární autoasociativní paměť, filtrující náhodné poškození předkládaného vzoru, tak jeho vyhodnocení perceptronem bude přesnější.

Příklad 1 Užijeme-li k lokalizaci poruchy na určitém prvku rozvodny elektrického proudu (vývod, přípojnice) vícevrstvý perceptron (MLP) na základě předloženého snímku signalizací stavů spínacích prvků a působení ochran rozvodny, jeví se jako efektivní předřadit perceptronu lineární autoasociativní paměť (LAM), která má v sobě uloženy všechny přípustné konfigurace snímků signalizací možných poruch. Pokud dojde během poruchy k náhodnému poškození snímku stavů signalizací, tj. některý signál přijde chybný nebo ze snímku vypadne, LAM provede projekci poškozeného snímku do prostoru možných konfigurací signálů, čímž vzniklý šum odfiltruje a lokalizátor poruchy identifikuje poruchu bezchybně. Bez uvedené filtrace snímku signalizací může dojít k nesprávné identifikaci prvku s poruchou.Křivan, M. Lokalizace poruchy v rozvodně. Energetika 7, 2011

Příklad 2 Kombinace lineární autoasociativní paměti (první vrstva neuronů) předřazené lineární heteroasociativní paměti (první vrstva neuronů spolu s druhou vrstvou neuronů - viz obrázek, kde index a probíhá vstupní vrstvu sítě a index probíhá výstupní vrstvu sítě) slouží k filtraci šumu lineární kombinace vzorů a následnému vybavení lineární kombinace jejich obrazů z paměti sítě, což je analogie zpracování smyslového vjemu naším mozkem, tj. vjem je nejdříve promítnut do tzv. projekční vrstvy a pak vyhodnocen tzv. asociativní vrstvou. V prvním kroku proběhne excitace vstupní vrstvy neuronů ortogonální projekcí vstupu sítě do nadroviny generované ortonormálními vzory, tj. lineární kombinací vzorů a v druhém kroku proběhne excitace výstupní vrstvy neuronů identickou lineární kombinací jejich obrazů.

Komise strojů Komise strojů (Committee of Machines) je soubor různých modelů neuronových sítí, které „hlasují“ pro zadaný příklad. To obvykle dává lepší výsledky ve srovnaní s výsledky jednotlivých modelů neuronových sítí. Tato metoda směřuje ke stabilizaci výsledku. Rozmanitost modelů neuronových sítí se získává trénováním vycházejícím z různých náhodně vybraných startovních vah, tj. např. oproti trénování na různých náhodně vybraných podmnožinách trénovacích dat.Haykin, S. Neural Networks - A Comprehensive Foundation. Pearson Prentice Hall, 1999

Asociativní neuronové sítě (ASNN) ASNN (Associative Neural Network) představuje kombinaci souboru dopředných neuronových sítí a techniky k-nejbližšího souseda. Tato metoda využívá korelaci mezi odpověďmi souboru jako měřítko vzdálenosti mezi analyzovanými případy pro techniku nejbližších sousedů. To poskytuje vylepšenou predikci díky korekci zkreslení souboru neuronových sítí. Asociativní neuronová síť má paměť, která se může shodovat s trénovací množinou. Pokud jsou k dispozici nová data, síť dále zlepšuje svou predikční schopnost a poskytuje přiměřenou aproximaci neznámé funkce, aniž by bylo nutné znovu trénovat soubor neuronových sítí. Tato vlastnost metody dramaticky zlepšuje její predikční schopnost oproti tradičním neuronovým sítím a technikám k-nejbližších sousedů. Další důležitou vlastností ASNN je možnost interpretovat výsledky neuronové sítě analýzou korelací mezi datovými případy v prostoru modelů.Tetko, I. V. Associative neural network. Neural Processing Letters 16, 2002

Reference

Kategorie:Umělé neuronové sítě