Tehisneuron

Tehisneuron on matemaatiline funktsioon, mis on ehitatud mudelina bioloogiliste neuronite baasil. Tehisneuron on tehisnärvivõrkude töötluselement, millel on üks või rohkem sisendit ja üks väljund. Neuron töötleb sisendeid teatud funktsiooni järgi ning väljastab vastuse, mis võib olla teiste neuronite sisendiks. Bioloogiliseks paralleeliks väljundile on mööda aksonit liikuv närviimpulss. Sisendid on tavaliselt kaalutud ning neid töötlevaks funktsiooniks tehisneuronis on mõni mittelineaarne funktsioon, mida nimetatakse ka aktivatsiooni- või ülekandefunktsiooniks. Aktivatsioonifunktsioonideks on tavaliselt sigmoidifunktsioonid, aga nende asemel kasutatakse ka teisi mittelineaarseid funktsioone. Enamasti on käsitletavad funktsioonid piiritletud, monotoonsed ning diferentseeritavad.^[1][2]

Tehisneuroneid ei tohiks segi ajada bioloogilise neuroni mudeliga. Mõlemad on tuletatud bioloogilise neuroni järgi, aga tehisneuron ja tehisnärvivõrgud on ajaga oma kuju võtnud. Mõni keerulisem tehisnärvivõrk ei oma enam suurt sarnasust bioloogilisele närvisüsteemile, sest nende eesmärk ei ole bioloogiliste efektide uurimine vaid nende matemaatilise rakenduse kasutamine väga erinevates probleemides, mille jaoks võib bioloogiline täpsus olla kulukam ja ebatäpsem. Bioloogilise mudeli eesmärgiks on uurida neuroneid ja närvisüsteemi võimalikult sarnaselt reaalsusele, et bioloogilistest ajuprotsessidest paremini aru saada.^[3]

Üldine struktuur

Sisendid, kaalud, väljund

Olgu tehisneuronil ${\displaystyle m+1}$ sisendit vastavalt signaalidega ${\displaystyle x_{0}}$ kuni ${\displaystyle x_{m}}$ ning kaaludega ${\displaystyle w_{0}}$ kuni ${\displaystyle w_{m}}$. Tihti antakse sisendile ${\displaystyle x_{0}}$ väärtus +1, mis teeb sellest vabaliikme kaaluga ${\displaystyle w_{k0}=b_{k}}$. See tähendab, et tegelikeks sisenditeks on signaalid ${\displaystyle x_{1}}$ kuni ${\displaystyle x_{m}}$.

Neuroni väljundiks on funktsiooni väärtus:$${\displaystyle y_{k}=\varphi {\Bigl (}\textstyle \sum _{j=0}^{m}\displaystyle w_{kj}x_{j}{\Bigr )}}$$Kus ${\displaystyle \varphi }$(fii) on aktivatsioonifunktsioon.^[4]

Bioloogiline paralleel väljundile on neuroni akson. Enamasti kasutatakse tehisneuroneid osana suuremast tehisnärvivõrgust ning sel juhul kantakse iga neuroni väljund edasi järgmise kihi sisendiks nagu bioloogilises neuronis liigub närviimpulss mööda aksonit läbi sünapsi teise neuroni dendriiti. Kui signaali kuskile edasi kanda ei ole, siis väljub see süsteemist.^[2]

Bioloogilised mudelid

Tehisneuronid põhinevad bioloogilistel neuronitel ja seega on võimalik tuua paralleele iga tehisnärvi osa kohta.

Tüüpilise neuroni ehk närviraku ehitus

• Dendriidid – bioloogilistes neuronites käituvad dendriidid sisendvektoritena. Ülal toodud valemis representeerivad neid sisendid x₀ kuni x_m . Ühte neuronisse saab siseneda tuhandeid dendriite (igale dendriidile vastab ainule üks ja ainus naaberneuron). Igal bioloogilisel dendriidil on olemad ka kaalud (w₀ kuni w_m), mis näitavad, kui palju selle dendriidiga seotud naaberneuroni närviimpulss vaadeldava neuroni membraanipotentsiaali muudab. Bioloogiliselt toimib see sünapsis proportsionaalselt neurotransmitterite saatmisega rakukehasse, kus otsustatakse, kas antud signaal on inhibeeriv või võimendav (vastavalt neurotransmitterile).^[5]
• Rakukeha (soom) – rakukeha töötab nagu summa sümbol üleval toodud funktsioonis. Igast dendriidist tuleb kas positiivne või negatiivne (võimendav või inhibeeriv) signaal: positiivsed ja negatiivsed ioonid segatakse rakukehas lahuses.^[6]
• Akson –  akson saab signaali rakukehalt. Akson mõõdab rakukehas tekkinud elektrilist potentsiaali ning teatud potentsiaali ületamisel saadab akson signaali järgmisesse neuronisse.^[7]

Viited

1. Maan, A. K.; Jayadevi, D. A.; James, A. P. "A Survey of Memristive Threshold Logic Circuits".{{netiviide}}: CS1 hooldus: mitu nime: autorite loend (link)
2. "Artificial Neural Networks as Models of Neural Information Processing". Vaadatud 01.12.2018.
3. Yariv Adan (29.09.2018). "Do neural networks really work like neurons?". Vaadatud 20.11.2018.
4. Zell, Andreas (1994). Simulation Neuronaler Netze [Simulation of Neural Networks]. ISBN 978-3-89319-554-1.
5. Urbanska, M.; Blazejczyk, M.; Jaworski, J. (2008). "Molecular basis of dendritic arborization". Vaadatud 01.12.2018.{{netiviide}}: CS1 hooldus: mitu nime: autorite loend (link)
6. MTÜ Peaasjad. "NEURON JA SÜNAPS". Vaadatud 01.12.2018.
7. Meeli Roosalu (2010). Inimese anatoomia. Kirjastus Koolibri. Lk 182. ISBN 9789985026069.