Перцептрон R қабаттарымен байланысқан S нейрондарынан тұратын бір қабаттан тұрады. W-коэффициенті j-ші кірістен i-ші нейронға. Слой Кохонена (конкурирующий слой) В процессе анализа больших информационных массивов данных неизменно возникают задачи, связанные с исследованием топологической структуры данных, их объединением в группы (кластеры). Такие задачи могут быть успешно решены с применением специального класса самоорганизующихся нейронных сетей. Свойство самоорганизации является одним из наиболее привлекательных свойств нейронных сетей. Таких свойством обладают самоорганизующиеся сети, описанные финским ученым Т. Кохоненом. Нейроны самоорганизующейся сети могут быть обучены выявлению групп (кластеров) векторов входа, обладающих некоторыми общими свойствами. Архитектура сети Кохонена
Блок ndist вычисляет отрицательные евклидовые расстояния между вектором входа и строками матрицы весов .
Вход функции активации - это результат суммирования вычисленного расстояния с вектором смещения .
Архитектура сети Кохонена Если все смещения нулевые, максимальное значение не может превышать 0. Нулевое значение возможно только тогда, когда вектор входа оказывается равным вектору веса одного из нейронов. Если смещения отличны от 0, то возможны и положительные значения для элементов вектора . Конкурирующая функция активации анализирует значения элементов вектора и формирует выходы нейронов, равные 0 для всех нейронов, кроме одного нейрона-победителя, имеющего на входе максимальное значение. Таким образом, вектор выхода слоя имеет единственный элемент, равный 1, который соответствует нейрону-победителю, а остальные равны 0. Команды Matlab для работы с нейронными сетями (работа с персептроном) Распознавание по нейронной сети Y = sim(net,P) Входные данные: net - сеть P - вектора - столбцы с исходными данными Выходные данные: Y - вектора – столбцы с результатами Архитектура сети Команды Matlab для работы с нейронными сетями (работа с сетью Кохонена) Для формирования слоя Кохонена предназначена функция competlayer(число классов). Она возвращает слой конкурирующей сети. Функция configure(сеть, матрица наблюдений) осуществляет первоначальную настройку весов. Она возвращает настроенную сеть. Функция train(сеть,обучающая выборка) обучает сеть на обучающей выборке. Она возвращает обученную сеть. Функция net(выборка) выполняет вычисление по сети и возвращает матрицу, число строк в которой равно числу нейронов, а число столбцов числу объектов. Все элементы каждого столбца, кроме одного, равны 0. Единичный столбец определяет номер победившего нейрона. Команды Matlab для работы с нейронными сетями (работа с сетью Кохонена) Архитектура построенной сети и ход обучения: Қорытынды - Нейрондық желілердің ерекшеліктері қарапайым есептеу алгоритмдерінің үстіндегі нейростейлердің негізгі артықшылығы олардың оқыту мүмкіндігі болып табылады. Бұл оқыту нейрондар арасындағы байланыстың дұрыс коэффициенттерін табу, сонымен қатар деректерді жинақтау және кіріс және шығыс сигналдары арасындағы күрделі тәуелділікті анықтау болып табылады. Сонымен қатар, персептронның жұмыс істеу принципін түсіну күрделі желілерді түсіну үшін жақсы негізді қамтамасыз етеді.Бізге нейрондық желілерде осы екі тәсіл тиімді көмектеседі.
Қолданылған әдебиеттер тізімі: 1)https://infourok.ru/prezentaciya-po-informatike-na-temu-neyronnie-seti-i-ih-primenenie-2934814.html
2)https://www.science-education.ru/ru/article/view?id=14599
Достарыңызбен бөлісу: |
