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) |
Алгоритм навчання перцептронна
Перцептрон є прикладом ШН прямого поширення сигнала,тому для його навчання використовується алгоритм навчання з учителем, для цього має бути навчальна множина із деякої кількості К навчальних карт. Кожна карта поєднує n, компонентний вхідний обраp, та відповідний йому еталонний очікуваний вихід Ti =(x1,x2,…,xn); Ti={0;1} Незменшуючи загальності розгляду моделі перцептронна з бінарними виходами {о або 1} Навчання перцептронна здійснюється за таким алгоритмом: 1.Із емпіричних міркувань обирається поріг активації нейрона р, у випадку 0 чи 1, р може бути бране 0.5 2.Задається початкове значення вагового коефіцієнту вхідних каналів Wj, j= Вибір із діапазону що є околом значення + ) Головне щоб вагові коефіцієнти були різні. 3.Уточнення вагових коефіцієнтів виконується шляхом повторюваного аналізу усіх навчальних карт а) якщо для деякої карти очікується на виході значення Т=0, і дійсно отримано значення out=0, то корекція ваг непотрібна б) якщо для деякої карти на виході очікується значення Т=0, а потримаємо значення out=1,то нейрон перезбуджений і проводиться корекція ваг, у напрямку зменшення тих вагових коефіцієнтів що відповідають одиночним вхідним сигналам в)якщо для деякої карти очікується на виході Т=1 і дійсно отримано значення out=1 то корекція ваг непотрібна г)якщо для деякої карти очікується на виході значення Т=1 а отримано значення out=0,то нейрон занадто пасивний і проводиться корекція ваг, у напрямку збільшення,тих вагових коефіцієнтів що відповідають одиночним вхідним сигналам. 4.Процес корекції ваг продовжується для 1 карти до тих пір доки недосягнень очікуваних результатів, далі здійснюється перехід до наступної карти множин.
5.Процес навчання для 1 повного набору карту називають епохою навчання,навчання проводиться до тих пір поки для однієї повної епохи відпаде потреба корекції ваг для кожної з карт. Виникає питання на яку величину здійснюється корекція ваг. Відповідь: Вибір величини корекції може бути довільним однак слід враховувати: -якщо зміна ваги здійснена на малу величину то процес навчання буди успішним але тривалим -якщо зміна ваги здійснена на значну величину то процес навчання може бути швидким але можливі випадки витрати (ШН) -природньо що змінна ваги має бути пропорційна до поточного значення ваги і пропорційною до величини похибки результату При корекції ваг часто вводиться коефіцієнт що називається коефіцієнтом швидкості навчання Таким чином процес корекції ваг можна описати наступним співвідношенням = +ɣ (T i -out i)·X j j= - це номер каналу передачі сигналу i = – номер навчальноъ карти γ –коефіцієнт швидкості навчання Обирається емпірично а часто є виличиною γ ≈0,1 W K – попереднє значення ваги W K+ 1 – нове значення ваги
Дата добавления: 2015-08-31; Просмотров: 328; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |