Функционирование сети APT в процессе классификации

Процесс классификации в APT состоит из трех основных фаз: распознавание, сравнение и поиск.

Фаза распознавания. В начальный момент времени входной вектор отсутствует на входе сети; следовательно, все компоненты входного вектора

$X$

можно рассматривать как нулевые. Тем самым сигнал

$G2$

устанавливается в

$0$

и, следовательно, в нуль устанавливаются выходы всех нейронов слоя распознавания. Поскольку все нейроны слоя распознавания начинают работу в одинаковом состоянии, они имеют равные шансы выиграть в последующей конкуренции. Затем на вход сети подается входной вектор

$X$

, который должен быть классифицирован. Этот вектор должен иметь одну или более компонент, отличных от нуля, в результате чего и

$G1$

, и

$G2$

становятся равными единице. Это "подкачивает" нейроны слоя сравнения, обеспечивая один из двух единичных входов, необходимых для возбуждения нейронов в соответствии с правилом двух третей, и тем самым позволяя нейрону возбуждаться, если соответствующая компонента входного вектора

$X$

равна единице. Таким образом, в течение данной фазы вектор

$C$

в точности дублирует вектор

$X$

Далее, для каждого нейрона в слое распознавания вычисляется свертка вектора его весов

$B_j$

и вектора

$C$

(см. рис. 11.5). Нейрон с максимальным значением свертки имеет веса, наилучшим образом соответствующие входному вектору. Он выигрывает конкуренцию и возбуждается, одновременно затормаживая все остальные нейроны этого слоя. Таким образом, единственная компонента

$r_j$

вектора

$R$

(см. рис. 11.3) становится равной единице, а все остальные компоненты становятся равными нулю.

Рис. 11.5.

В результате сеть APT запоминает образы в весах нейронов слоя распознавания — один нейрон для каждой категории классификации. Нейрон слоя распознавания, веса которого наилучшим образом соответствуют входному вектору, возбуждается, его выход устанавливается в единичное значение, а выходы остальных нейронов этого слоя устанавливаются в нуль.

Фаза сравнения. Единственный возбужденный нейрон в слое распознавания возвращает единицу обратно в слой сравнения в виде своего выходного сигнала

$r_j$

. Эта единственная единица может быть визуально представлена в виде "веерного" выхода, подающегося через отдельную связь с весом

$t_{ij}$

на каждый нейрон в слое сравнения, обеспечивая каждый нейрон сигналом

$p_j$

, равным величине

$t_{ij}$

(нулю или единице) (см. рис. 11.6).

Рис. 11.6.

Алгоритмы инициализации и обучения построены таким образом, что каждый весовой вектор

$T_{j}$

имеет двоичные значения весов; кроме того, каждый весовой вектор

$B_j$

представляет собой масштабированную версию соответствующего вектора

$T_j$

. Это означает, что все компоненты

$P$

(вектора возбуждения слоя сравнения) также являются двоичными величинами.

Так как вектор

$R$

не является больше нулевым, сигнал

$G1$

устанавливается в нуль. Таким образом, в соответствии с правилом двух третей, возбудиться могут только нейроны, получающие на входе одновременно единицы от входного вектора

$X$

и вектора

$P$

Другими словами, обратная связь от распознающего слоя действует так, чтобы установить компоненты

$C$

в нуль в случае, если входной вектор не соответствует входному образу (т. е. если

$X$

$P$

не имеют совпадающих компонент).

Если имеются существенные различия между

$X$

$P$

(малое количество совпадающих компонент векторов), несколько нейронов на фазе сравнения будут возбуждаться и

$C$

будет содержать много нулей, в то время как

$X$

содержит единицы. Это означает, что возвращенный вектор

$P$

не является искомым и возбужденные нейроны в слое распознавания должны быть заторможены. Такое торможение производится блоком сброса (см. рис. 11.2), который сравнивает входной вектор

$X$

и вектор

$C$

и вырабатывает сигнал сброса, если степень сходства этих векторов меньше некоторого уровня. Влияние сигнала сброса заключается в установке выхода возбужденного нейрона в нуль, отключая его на время текущей классификации.

Фаза поиска. Если не выработан сигнал сброса, сходство является адекватным и процесс классификации завершается. В противном случае, другие запомненные образы должны быть исследованы с целью поиска лучшего соответствия. При этом торможение возбужденного нейрона в распознающем слое приводит к установке всех компонент вектора

$R$

в 0,

$G1$

устанавливается в 1 и входной вектор

$X$

опять прикладывается в качестве

$C$

. В результате другой нейрон выигрывает соревнование в слое распознавания и другой запомненный образ

$P$

возвращается в слой сравнения. Если

$P$

не соответствует

$X$

, возбужденный нейрон в слое распознавания снова тормозится. Этот процесс повторяется до тех пор, пока не встретится одно из двух событий:

Найден запомненный образ, сходство которого с вектором
$X$

выше уровня параметра сходства, т. е.
$S>\rho$
. Если это происходит, проводится обучающий цикл, в процессе которого модифицируются веса векторов
$T_j$
и
$B_j$
, связанных с возбужденным нейроном в слое распознавания.
Все запомненные образы проверены, определено, что они не соответствуют входному вектору, и все нейроны слоя распознавания заторможены. В этом случае предварительно не распределенный нейрон в распознающем слое выделяется этому образу и его весовые векторы
$B_j$

и
$T_j$
устанавливаются соответствующими новому входному образу.

Проблема производительности. Описанная сеть должна производить последовательный поиск среди всех запомненных образов. В аналоговых реализациях это будет происходить очень быстро; однако, при моделировании на обычных цифровых компьютерах процесс может оказаться очень длительным. Если же сеть APT реализуется на параллельных процессорах, все свертки на распознающем уровне могут вычисляться одновременно. В этом случае поиск может стать очень быстрым.

Время, необходимое для стабилизации сети с латеральным торможением, может быть длительным при моделировании на последовательных цифровых компьютерах. Чтобы выбрать победителя в процессе латерального торможения, все нейроны в слое должны быть вовлечены в одновременные вычисления и передачу. Этот процесс может потребовать проведения большого объема вычислений перед достижением сходимости.

Содержание Назад