Účel: Simulace vlivu úbytku neuronů a jejich propojení v různých typech neuronových sítí na jejich výkon. Metody: Na dopředně neuronové síti se zpětnou propagací byl modelován vliv úbytku synapsí na její výkon. Tato síť s lineární a nelinární přenosovou funkcí byla trénována v rozeznávání 36 reprezentací různých písmen a čísel. Odebíráním propojení mezi neurony byla neuronová síť poškozována. Byla sledována závislost počtu rozeznaných vzorů na počtu odebraných propojení. Dále byl sledován vztah mezi počtem odebraných neuronů a celkovým počtem propojení u vrstevnaté neuronové sítě s a bez horizontálních a zpětných propojení. Výsledky: Vztah mezi počtem neuronů a jejich propojení u vrstevnatých sítí s horizontálními propojeními a zpětnými vazbami je nelineární. Neuronové sítě jsou částečně odolné vůči poškození v důsledku redundantního kódování informace. Křivka zapomínání se liší také v závislosti na přítomnosti lineární a nelineární přenosové funkce. Závěr: Tato práce ukazuje, že nelineární průběh úbytku kognitivních schnopností u demence může mít několik příčin: nehnární závislost mezi počtem neuronů a jejich propojení (synapsí) u určitých síťových architektur (přítomných v lidském mozku), částečná odolnost proti destrukci díky redundantnímu kódování informace a nelineární přenosová funkce (přítomnou také v biologických neuronových sítích).
Objective: To examine how the destruction of individual neurons or interconnections of the different neural networks models reduce their performance. Methods: The feed-forward backpropagation neural network served as a model for synaptic lost and its influence on the network performance. This network with linear and non-linear transfer function has been trained to recognize 36 differen t re- presentations of the different characters and numbers. The network has been then damaged by the elimination of connections betw een selected artificial neurons. The number of recognized patterns has been then compared to the number of lost connections. Relati onship between number of neurons and connections has been studied in layered neural networks with and without back loop and horizontal connections. Results: Relationship between number of neurons and connections in layered networks with horizontal connections and feedback connections is non-linear. Neural networks have partial destruction tolerance via redundant information coding. Shape of the curve of forgetting differs depending on presence of linear or non-linear transfer function. Conclusion: This work indicates that the non-linear dependency of the deterioration of the cognitive abilities may have several reasons: non-linear relationship between number of neurons and number of connections (synapses) in certain network architectures (present in the human brain), partial destruct ion tolerance via redundant information coding and non-linear transfer function (present also in biological neural networks).
Breast meat from modern fast-growing big birds is affected with myopathies such as woody breast (WB), white striping, and spaghetti meat (SM). The detection and separation of the myopathy-affected meat can be carried out at processing plants using technologies such as bioelectrical impedance analysis (BIA). However, BIA raw data from myopathy-affected breast meat are extremely complicated, especially because of the overlap of these myopathies in individual breast fillets and the human error associated with the assignment of fillet categories. Previous research has shown that traditional statistical techniques such as ANOVA and regression, among others, are insufficient in categorising fillets affected with myopathies by BIA. Therefore, more complex data analysis tools can be used, such as support vector machines (SVMs) and backpropagation neural networks (BPNNs), to classify raw poultry breast myopathies using their BIA patterns, such that the technology can be beneficial for the poultry industry in detecting myopathies. Freshly deboned (3-3.5 h post slaughter) breast fillets (n = 100 × 3 flocks) were analysed by hand palpation for WB (0-normal; 1-mild; 2-moderate; 3-Severe) and SM (presence and absence) categorisation. BIA data (resistance and reactance) were collected on each breast fillet; the algorithm of the equipment calculated protein and fat index. The data were analysed by linear discriminant analysis (LDA), and with SVM and BPNN with 70::30: training::test data set. Compared with the LDA analysis, SVM separated WB with a higher accuracy of 71.04% for normal (data for normal and mild merged), 59.99% for moderate, and 81.48% for severe WB. Compared with SVM, the BPNN training model accurately (100%) separated normal WB fillets with and without SM, demonstrating the ability of BIA to detect SM. Supervised learning algorithms, such as SVM and BPNN, can be combined with BIA and successfully implemented in poultry processing to detect breast fillet myopathies.
- Publication type
- Journal Article MeSH
