русс | укр

Языки программирования

ПаскальСиАссемблерJavaMatlabPhpHtmlJavaScriptCSSC#DelphiТурбо Пролог

Компьютерные сетиСистемное программное обеспечениеИнформационные технологииПрограммирование

Все о программировании


Linux Unix Алгоритмические языки Аналоговые и гибридные вычислительные устройства Архитектура микроконтроллеров Введение в разработку распределенных информационных систем Введение в численные методы Дискретная математика Информационное обслуживание пользователей Информация и моделирование в управлении производством Компьютерная графика Математическое и компьютерное моделирование Моделирование Нейрокомпьютеры Проектирование программ диагностики компьютерных систем и сетей Проектирование системных программ Системы счисления Теория статистики Теория оптимизации Уроки AutoCAD 3D Уроки базы данных Access Уроки Orcad Цифровые автоматы Шпаргалки по компьютеру Шпаргалки по программированию Экспертные системы Элементы теории информации

Инстар и оутстар Гроссберга


Дата добавления: 2013-12-23; просмотров: 3193; Нарушение авторских прав


Сигмоидальный нейрон

 

Рисунок 14 Сигмоидальный нейрон

Нейрон сигмоидального типа имеет структуру, подобную модели МаКаллека-Питса с той разницей, что функция активации может быть выражена сигмоидальной, униполярной и биполярной функциями.

- унимодальная функция

- биполярная функция

 

Рисунок 15 Униполярная функция

 

Рисунок 16 Биполярная функция

 

Параметр выбирается пользователем. Его значения влияет на форму функции активации. При функция превращается в ступенчатую функцию, идентичную функции активации персептрона. Чаще всего используется .

Важным свойством сигмоидальной функции является её дифференцируемость:

- униполярная

- биполярная

 

Рисунок 17 График производной

Сигмоидальный нейрон обучается с учителем по принципу минимизации целевой функции.

Нейрон типа «адалайн»

Адалайн – адаптивный линейный нейрон, со следующей структурной схемой:

 

Рисунок 18 нейрон типа Адалайн

Алгоритм подбора весов:

 

Квадратичная ошибка:

 

Адаптивный подбор весовых коэффициентов осуществляется в процессе минимизации квадратичной ошибки.

Несмотря на нелинейный характер модели, в целевой функции присутствуют только линейные элементы, представляющие собой сумму взвешенных входных сигналов. В связи с выполнением условия непрерывности целевой функции, стало возможно применение алгоритма градиентного обучения. Значения весовых коэффициентов могут утоняться либо дискретным способом: , либо непрерывным:

 

В практических приложениях нейроны типа «адалайн» всегда используется группами, образуя слои, называемые «мадалайн». Каждый входящий в слой нейрон обучается по правилу адалайн.

Существует три базовых схемы межнейронных соединений:

 

Рисунок 19 Межнейронные соединения

 

Сигналы суммируются с учетом порогового значения, установленного раздельно для каждого типа связи. Для схемы OR порог имеет значение (n-1), для AND – (1-n), для мажориторной схемы – нулевое значение.



В связи с используемой функцией активации выходных сигналов y принимает значение +1, когда хотя бы один из входных сигналов имеет значение +1, когда все входные сигналы имеют значение +1, либо когда большинство сигналов имеет значение +1.

1.10.2011

Нейроны типа «инстар» и «оутстар» - взаимодополняющие эоементы. Инстра адаптирует веса связей поступающих на сумматор нейрона к входным сигналам, а оутстар согласовывает веса выходящих из нейронов связей, с узлами, в которых формируются значения выходных сигналов. Позволяет обучаться без учителя.

 

Рисунок 20 Инстар Гроссберга

 

- правило Гроссберга (правило подстройки весов при обучении без учителя), - коэффициент обучения

В соответствии с функцией активации, на выходе нейрона вырабатывается выходной сигнал , равный . В инстаре применяется линейная функция активации, и тогда . Обучение инстара производится по правилу Гроссберга, где - коэффициент обучения, значение которого выбирается в интервале от 0 до 1. Входные данные, представляемые в виде вектора x, должны быть выражены в нормализованной форме. Нормализация выполняется по следующей формуле:

 

Результаты обучения по методуГроссберга в значительной степени зависят от коэффициента обучения . При выборе веса становятся равными значениям уже после первой итерации. Ввод очередного входного вектора x вызовет адаптацию весов к новому вектору и абсолютное забывание предыдущих значений. Выбор приводит к тому, что в результате обучения весовые коэффициенты принимают усредненное значение обучающих векторов x.

Пример:

 

Натренированный инстар функционирует как векторный классификатор, сопоставляющих очередной поданный на его вход вектор с вектором, сформированным в процессе обучения. В случае максимального совпадения этих вектором реакция инстара будет максимальной.

Если инстар обучался на группе достаточно похожих векторов с , то его весовые коэффициенты примут значение, усредненное по этим векторам, и в режиме классификации он будет лучше всего реагировать на входные векторы, значения которых наиболее близки ксредним значениям векторов, входящих в обучающую группу.

Инстар может обучаться как с учителем, так и без него. При обучение без учителя в качестве значения принимается фактически значение выходного сигнала.

 

Рисунок 21 Оутстар Гроссберга

Оутстар представляет собой комплементарное дополнение инстара. Если инстар обучается с целью распознавать вектор, подаваемый на его вход, то оутстар должен генерировать вектор, необходимый связанным с ним нейроном.

Оутстар является линейным нейроном. Обучение состоит в таком подборе весов, чтобы выходные сигналы оутстара были равны ожидаемым значениям взаимодействующих с ними нейронов.

 

В режиме распознавания в моменты активации нейрона-источника оутстар будет генерировать сигналы, соответствующие ожидаемым значениям .



<== предыдущая лекция | следующая лекция ==>
Алгоритм обратного распространения ошибки | Нейрон типа WTA (Winner Takes All)


Карта сайта Карта сайта укр


Уроки php mysql Программирование

Онлайн система счисления Калькулятор онлайн обычный Инженерный калькулятор онлайн Замена русских букв на английские для вебмастеров Замена русских букв на английские

Аппаратное и программное обеспечение Графика и компьютерная сфера Интегрированная геоинформационная система Интернет Компьютер Комплектующие компьютера Лекции Методы и средства измерений неэлектрических величин Обслуживание компьютерных и периферийных устройств Операционные системы Параллельное программирование Проектирование электронных средств Периферийные устройства Полезные ресурсы для программистов Программы для программистов Статьи для программистов Cтруктура и организация данных


 


Не нашли то, что искали? Google вам в помощь!

 
 

© life-prog.ru При использовании материалов прямая ссылка на сайт обязательна.

Генерация страницы за: 0.005 сек.