Студопедия

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)

CPN-сети)

Нейронные сети встречного распространения.

 

Объединяя разнотипные нейронные структуры в единую архитектуру, можно получить нейронную сеть, обладающую свойствами, которых нет у них по отдельности. Нейронная сеть встречного распространения соединяет в себе свойства самоорганизующейся сети Кохонена, и концепцию Outstar-сети Гроссберга.

В рамках этой архитектуры, элементы слоя сет Кохонена не имеют прямого выхода во внешнюю среду. Они служат входами для выходного слоя, в котором связям адаптивно придаются веса Гроссберга.

 

CPN-сеть, осуществляет постепенное построение искомого отображения, входного вектора в выходной вектор, на основе примеров действия такого отображения. Данная нейронная сеть хорошо решает задачи, в которых нужна способность адаптивного формирования математического отображения, по его точным значениям в отдельных точках.

Характеристики CPN – сетей существенно превосходят возможности сетей с одним скрытым слоем нейронов.

Например:

Время обучения CPN – сетей задачам кластеризации и распознавания образов, более чем в 100 раз меньше времени обучения аналогичным задачам сетей с обратным распространением ошибки.

Важной характеристикой CPN – сетей является её хорошая способность к обобщению. Это даёт возможность получать правильный выход, даже при зашумлённом или неполном входном векторе.

По этому данная сеть может эффективно использоваться для распознавания образов, восстановления образов (ассоциативная память) и для усиления сигнала.

CPN – сети успешно применяются также в экономических и финансовых приложениях.

Например, при рассмотрении заявок на предоставления займов; предсказание трендов цен акций, товаров и курсов обмена валют.

В процессе обучения CPN =- сети входные векторы ассоциируется с соответствующими выходными векторами, которые могут быть двоичными (0 или 1) или непрерывными (от 0 до 1).

После обучения нейросети формируются выходные сигналы, которые соответствуют входным сигналам. CPN – сеть имеет 2 слоя с последовательными связями:

1 слой – слой Кохонена

2 слой – слой Гроссберга.

Каждый элемент входного сигнала подаётся на все нейроны слоя Кохонена. Каждый нейрон слоя Кохонена, соединён со всеми нейронами слоя Гроссберга.

Отличие CPN – сети от других многослойных сетей с последовательными связями, состоит в операциях выполняемых нейронами Кохонена и Гроссберга

<== предыдущая лекция | следующая лекция ==>
Функционирование нейронной сети Хемминга | Функционирование CPN – сети
Поделиться с друзьями:


Дата добавления: 2014-01-06; Просмотров: 748; Нарушение авторских прав?; Мы поможем в написании вашей работы!


Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет



studopedia.su - Студопедия (2013 - 2024) год. Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав! Последнее добавление




Генерация страницы за: 0.011 сек.