КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Сети встречного распространения были разработаны Р. Хехт-Нильсеном в 1986 гОбъединение разнотипных нейроструктур способствует возникновению свойств, отсутствующих у этих структур по отдельности. Достоинства и недостатки аналогичны входной звезде. Используется в сетях распознавания образов. Предложены Гроссбергом. Доказано, что являются моделями отдельных участков биологического мозга. Шаг 6. Возврат к шагу 2. Звезды Гроссберга Входная звезда (Instar) Входная звезда реагирует на определенный входной вектор, которому она обучена. В процессе обучения модификация весовых коэффициентов производится по формуле: wi(t+1) = wi(t) + η (xi-wi(t)) η – коэффициент скорости обучения (в начальный момент равен 0.1, в процессе обучения сокращается до 0). Обучение по такой формуле приближает весовой вектор к усредненному вектору обучающих образов. При этом звезда обучается реагировать на любой вектор этого определенного класса. Достоинство и недостаток – простота. Выходная звезда (Outstar) Как и входная звезда, используется как набор весовых коэффициентов. Решает обратную задачу: при наличии возбуждающего сигнала выставляет вектор весов на свои выходы. Обучение производится итеративной настройкой на требуемой вектор весов по формуле: wi (t +1) = wi (t) + η (yi – wi (t)) Нейронные сети встречного распространения Сети встречного распространения состоят из входного слоя простых нейронов, слоя нейронов Кохонена и слоя нейронов Гроссберга (входная звезда). Время обучения сети встречного распространения задачам распознавания и кластеризации более чем в сто раз меньше времени обучения этим задачам сети обратного распространения.
Правила работы сети встречного распространения: -Нейрон слоя Кохонена с максимальным значением взвешенной суммы является победителем. На его выходе формируется уровень логической «1», на остальных – логический «0». -Нейроны слоя Гроссберга в результате выдают величины весов vij, которые связывают их с нейроном-победителем. Правила обучения сети: -слой Кохонена обучается без учителя, то есть на входы сети просто подаются входные образы -Реакция слоя Гроссберга на случайный вектор выходов слоя Кохонена задается учителем: настраивается тот вход каждого нейрона Гроссберга, который подключен к активному нейрону слоя Кохонена: vij (t +1) = vij (t) + η (yj – vij (t)) Ki, где Ki – выход i -го нейрона Кохонена. Назначение сетей встречного распространения: сеть встречного распространения предназначена для построения отображений, т.е. производит отображение одного вектора в другой. При этом группа близких векторов на входе будет давать один и тот же вектор на выходе. Основное применение сетей встречного распространения – быстрая неточная начальная аппроксимация. Они не предназначены для точной аппроксимации. Гауссов классификатор (реализованный на персептроне, 1987г) Персептрон используется для реализации классификации по максимуму вероятности по Гауссу (Gaussian Maximum Likehood Classifier). В основе построения гауссова классификатора лежат представления о распределениях входных сигналов. Считается, что эти распределения известны и соответствуют закону Гаусса. Пусть MAi и SAi 2 среднее значение и отклонение (математическое ожидание и дисперсия) i -го компонента входного сигнала, принадлежащего классу A, аналогично MBi и SBi 2 – среднее значение и отклонение входного сигнала, принадлежащего классу B. Тогда оцениваются нормированные отклонения сигнала от средних:
Первые слагаемые идентичны, последние – константы, можно учесть в смещении активационной функции по оси абсцисс. Вторые слагаемые м.б. вычислены умножением входов на синаптические веса и суммированием. Синаптический вес вычисляется (для класса А):
Сигнал должен быть отнесен к классу, от среднего которого он имеет наименьшее отклонение. Тип входных сигналов – бинарные или аналоговые. Дата добавления: 2014-01-20; Просмотров: 527; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |