Гибридизация четких знаний и нейросетевых моделей

Формальный нейрон может быть представлен с помощью двух модулей знаний. Первый реализует входные блоки и сумматор, а второй — функцию активации. В качестве простого примера модуля, осуществляющего расчет взвешенной суммы входов нейрона, ниже приведено внешнее представление модуля знаний RSNeur11. Модуль не имеет предусловия запуска. Такой модуль запускается на исполнение, когда будут определены все входные свойства. В качестве входных свойств выступают входные переменные и синаптические коэффициенты. Выходом модуля является взвешенная сумма входов нейрона, которая вычисляется по формуле.

МЗ: «RSNeur11» — Расчет взвешенной суммы входов нейрона 1 слоя 1.

Предусловия запуска.

Входные свойства.

Механизм — Формула.

s11=x₀+x₁*w11+x₂*w12+x₃*w13+x₄*w14+x₅*w15+x₆*w16+x₇*w17+x₈*w18+x₉*w19.

Выходные свойства.

Вычисление значения функции активации осуществляется приведенным ниже модулем RFNur11. Этот модуль имеет предусловие, которое определяет вид выбранной функции. В данном случае используется логистическая функция. Входные свойства модуля включают параметр функции активации и взвешенную сумму входов нейрона. Параметр функции активации выбирается из базы данных со свойствами сети нейронов, а взвешенная сумма входов вычисляется предыдущим модулем.

МЗ: «RFNeur11» — Расчет логистической активационной функции нейрона 1 слоя 1.

Предусловия запуска.

Входные свойства.

Механизм — Формула.

y11 = 1/(1 + 2.71 828^(-a_*s11)).

Выходные свойства.

Таким образом, приведенные выше два модуля знаний полностью реализуют классическую формальную модель нейрона. С помощью описанной технологии не составляет труда генерировать модели с другими количествами входных переменных и синаптических коэффициентов, а также с другими активационными функциями и даже с другими моделями нейронов.

Хотя один нейрон и способен выполнять простейшие процедуры распознавания, сила нейронных вычислений проистекает от соединения нейронов в сети.

Для построения продукционной модели нейронной сети генерируется метод, состоящий из набора модулей знаний. Этот метод в дальнейшем может использоваться в качестве модуля в более сложных базах знаний.