Парабола как функция активации искусственных нейронных сетей
- Авторы: Хачумов М.В.1,2,3, Емельянова Ю.Г.1
-
Учреждения:
- Институт программных систем им. А. К. Айламазяна РАН
- Федеральный исследовательский центр «Информатика и управление» РАН
- Российский университет дружбы народов
- Выпуск: № 2 (2023)
- Страницы: 89-97
- Раздел: Машинное обучение, нейронные сети
- URL: https://journal-vniispk.ru/2071-8594/article/view/269436
- DOI: https://doi.org/10.14357/20718594230207
- ID: 269436
Цитировать
Полный текст
Аннотация
Рассматриваются вопросы применения параболы и ее ветвей как нелинейности, расширяющей логические возможности искусственных нейронов. В частности, обусловлена применимость ветвей параболы для построения s-образной функции активации, пригодной для настройки нейронной сети методом обратного распространения ошибки. Продемонстрирована реализация функции XOR на двух и трех нейронах с применением предложенного подхода. Основное преимущество параболы перед сигмоидом – более простая реализация, что ускоряет работу искусственных нейронных сетей.
Ключевые слова
Об авторах
Михаил Вячеславович Хачумов
Институт программных систем им. А. К. Айламазяна РАН; Федеральный исследовательский центр «Информатика и управление» РАН; Российский университет дружбы народов
Автор, ответственный за переписку.
Email: khmike@inbox.ru
кандидат физико-математических наук, старший научный сотрудник; старший научный сотрудник; доцент
Россия, Веськово; Москва; МоскваЮлия Геннадиевна Емельянова
Институт программных систем им. А. К. Айламазяна РАН
Email: yuliya.emelyanowa2015@yandex.ru
кандидат технических наук, научный сотрудник
Россия, ВеськовоСписок литературы
- Zakharov A.V., Khachumov V.M. Bit-parallel Representation of Activation Functions for Fast Neural Networks // Proceedings of the 7th International Conference on Pattern Recognition and Image Analysis. 2014. V. 2. P. 568-571.
- Arce F., Zamora E., Humberto S. Barrón, R. Differential evolution training algorithm for dendrite morphological neural networks // Applied Soft Computing. 2018. V. 68. P. 303-313.
- Dimitriadis N., Maragos, P. Advances in the training, pruning and enforcement of shape constraints of Morphological Neural Networks using Tropical Algebra // IEEE International Conference On Acoustics, Speech And Signal Processing. 2021. P. 3825-3829.
- Limonova E.E., Nikolaev D.P., Alfonso D.M., Arlazarov V.V. Bipolar Morphological Neural Networks: GateEfficient Architecture for Computer Vision // IEEE Access. 2021. V.9. P. 97569-97581.
- Limonova E.E., Nikolaev D.P., Arlazarov V.V. Bipolar Morphological U-Net for Document Binarization // Thirteenth International Conference on Machine Vision. 2021. P. 1-9.
- Limonova E.E., Nikolaev D.P, Alfonso D., Arlazarov V.V. ResNet-like Architecture with Low Hardware Requirements // 25th International Conference on Pattern Recognition. 2021. P. 6204–6211.
- Limonova E., Matveev D., Nikolaev D., Arlazarov V. Bipolar morphological neural networks: convolution without multiplication // Twelfth International Conference on Machine Vision. 2020. V. 11433. P. 1-18.
- Хачумов В.М. Логические элементы на нейронах // Труды IX международной конференции «Интеллектуальные системы и компьютерные науки». 2006. T.1. Ч.2. C. 297-300.
- Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. M.: Горячая линияТелеком. 2002.
- Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006.
- Каллан Р. Основные концепции нейронных сетей. Пер. с англ. М.: Вильямс. 2001.
Дополнительные файлы
