ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ ΙΙ

 

7.5     ΠΕΡΙΟΔΙΚΗ ΑΥΤΟ-ΟΡΓΑΝΩΤΙΚΗ ΝΕΥΡΩΝΙΚΗ ΤΕΧΝΙΚΗ

 

Αυτό το περιοδικά επαναλαμβανόμενο νευρωνικό δίκτυο συνδυάζει το GDHM με το ALF. Επιλέγει το καλύτερο από έναν αριθμό υποδικτύων με τάξεις m£τ£M. Υλοποιείται με ένα μονό νευρωνικό δίκτυο με M-m+1 αριθμό εισόδων (προηγούμενες  μετρήσεις) και M-m+1 νευρώνες εξόδου ( εκτιμητές των M-m+1 AR μοντέλων). Όπως φαίνεται στο σχήμα αυτό, καθένα από τους τ (τ>m) εκτιμητές τάξης συνδέεται με τον εκτιμητή τ-1 και με την y(n-τ) περασμένη μέτρηση. Ο πρώτος εκτιμητής συνδέεται απ’ ευθείας με τους πιο πρόσφατους m κόμβους μέτρησης εισόδου.

 

ΣΧΗΜΑ 8. Αυτό-οργανωμένο πολλαπλών στρωμάτων GMDH νευρωνικό δίκτυο.

 

Κάθε νευρώνας εξόδου, παριστάνει ένα από τα M-m+1  “υποψήφια” μοντέλα. Προφανώς , το δίκτυο δεν είναι πλήρως συνδεδεμένο. Σ’ αυτή τη διαμόρφωση δεν χρειάζεται εξωτερικός επόπτης καθώς οι εκ των υστέρων πιθανότητες που δίνονται από τις (14)-(15), μπορούν να υπολογιστούν εσωτερικά στο νευρωνικό δίκτυο.

Αφού θέσουμε τις εκ των προτέρων πιθανότητες όλων των κόμβων εξόδου ίσες με 1/(M-m+1), κατά τη διάρκεια της φάσης εκπαίδευσης, τα ακόλουθα  βήματα λαμβάνουν χώρα κατ’ επανάληψη για ένα δοσμένο αριθμό κύκλων.

 

1.      Καθένα από τα μοντέλα-νευρώνες τη χρονική στιγμή n εκτελεί ακολουθιακά τα βήματα 1-6 που περιγράφτηκαν πιο πάνω. Κατά τη διάρκεια αυτής της λειτουργίας κάθε νευρώνας εξόδου τ ενεργοποιείται αφού κάθε προηγούμενη τ-1 μονάδα έχει παράγει την εκτίμησή της (τεχνική διοχέτευσης (pipeline) ).

 

2.      Mετά τον υπολογισμό των L(n/n;τ), από όλα τα μοντέλα νευρώνες, ο εσωτερικός εκτιμητής  τα χρησιμοποιεί σε συνδυασμό με τις εκ των υστέρων πιθανότητες κάθε μοντέλου ( υπολογισμένες τη χρονική στιγμή n), έτσι ώστε το άθροισμα στη σχέση (6) του ALF εκτελείται:

           M

sum = å  L(n/n;τ) p(τ/n-1)                                                               (18) 

          ô=m

3.              Έτσι, κάθε δίκτυο μπορεί να ενημερώσει την εκ των υστέρων πιθανότητά του χρησιμοποιώντας την παλιά τιμή και το άθροισμα που υπολογίζεται από τον εκτιμητή.

                                                              (19)

 

Παρατηρήσεις:

 

1.      Η πρόβλεψη εξόδου του νευρώνα τ δίνεται από την εξίσωση (17). Αντικαθιστώντας το y(n/n-1;τ) αναδρομικά, η εξίσωση (17) μπορεί να εκφραστεί ως συνάρτηση των προηγούμενων μετρήσεων. Κατόπιν οι συντελεστές κάθε υποψήφιου μοντέλου εκφράζονται ως συνάρτηση των βαρών, που συνεισφέρουν σ’ αυτή τη συγκεκριμένη έξοδο [26].

2.      Μια συγκριτική αποτίμηση με του προαναφερθέντες αλγορίθμους, δείχνει ότι αυτή η μέθοδος δίνει   παρόμοια αποτελέσματα, ενώ είναι πιο αποδοτική όσον αφορά τον υπολογιστικό της φόρτο.

 

3.      Είναι φανερό ότι αυτός ο αλγόριθμος δεν είναι κατάλληλος για μια υψηλού βαθμού παράλληλη υλοποίηση ( σε επίπεδο διεργασίας (process)).  Ωστόσο, ένας χαμηλού (υπολογιστικού) επιπέδου παραλληλισμός είναι εφικτός και αποτελεί θέμα για μια μελλοντική εργασία

 

ΑΡΧΗ ΚΕΦΑΛΑΙΟΥ