ОБУЧЕНИЕ СЛОЯ КОХОНЕНА

Все темы данного раздела:

Одесса ОНПУ 2011
    Методические указания к курсовому проектированию по дисциплине "Системы искусственного интеллекта" для студентов института радио-электроники и тел

График выполнения работы
В результате выполнения работы студент должен выполнить проектирование искусственной нейронной сети каждого из указанных типов, включая - разработку структуры проектируемой сети;

Пояснительная записка к курсовой работе должна содержать
- титульный лист - задание на проектирование; - реферат; - содержание; - основная часть; - перечень используемой литературы; - необходимые прил

Первая итерация
5.1. Задают начальное значение вектора весовых коэффициентов (ком-понент вектора) выбранного нейрона. Как правило на первом шаге значени-ям компонент весового вектора присваивают небольшие случайны

Вторая итерация
Для второй итерации в качестве начального значения вектора весовых коэффициентов используется значение, полученное на конечном шаге первой итерации. 5.12. Выполняются

Максимально допустимые ошибки обучения δmax пол и δmax меш примем равными 0,1.
5. Расчет вектора весовых коэффициентов первого нейронного элемен-та. 5.1. Зададим следующие начальные значения компонент вектора весо-вых коэффициентов: w11=0,3; w

Net´1(1)=0,3•1+0,6•1+0,5•0+0,8•0=0,9
5.4. Определяем ошибку обучения в соответствии с выражением. где

Net´1(2)=1,26•1+1,56•0+0,5•1+0,8•0=1,76
  5.8. Определяем ошибку обучения в соответствии с выражением

Net´1(3)=1,104•1+1,56•0+0,344•0+0,8•1=1,904
  5.12. Определяем ошибку обучения в соответствии с выражением

Net´1(1)=0,862•1+1,56•1+0,344•0+0,558•0=2,422
5.16. Определяем ошибку обучения в соответствии с выражением. где

Net´1(2)=0,862•1+1,56•0+0,344•1+0,558•0=1,206
  5.20. Определяем ошибку обучения в соответствии с выражением

Net´1(3)=1,038•1+1,56•0+0,52•0+0,558•1=1,596
  5.24. Определяем ошибку обучения в соответствии с выражением

Слои Кохоненна
В своей простейшей форме слой Кохонена функционирует в духе «победи-тель забирает все», т. е. для данного входного вектора один и только один нейрон Кохонена выдает на выходе логическую единицу, вс

Слой Гроссберга
Слой Гроссберга функционирует в сходной манере. Его выход net является взвешенной суммой выходов k1,k2, ..., kn слоя Кохонена, образующих ве

Предварительная обработка входных векторов
Весьма желательно (хотя и не обязательно) нормализовать входные векторы перед тем, как предъявлять их сети. Это выполняется с помощью деления каждой компоненты входного вектора на длину вектора. Эт

Выбор начальных значений весовых векторов
Всем весам сети перед началом обучения следует придать начальные зна-чения. Общепринятой практикой при работе с нейронными сетями является присваивание весам небольших случайных значений. При обуче

ОБУЧЕНИЕ СЛОЯ ГРОССБЕРГА
Слой Гроссберга обучается относительно просто. Входной вектор, явля-ющийся выходом слоя Кохонена, подается на слой нейронов Гроссберга, и выходы слоя Гроссберга вычисляются, как при нормальном функ

При проектировании сети данного типа необходимо выполнить две итерации расчета коэффициентов
Ход проектирования искусственной нейронной сети встречного распространения производится в соответствии со следующими этапами: 1. Проводится анализ задания на проектирование. Выполняется ко

V12=1; v22=0; v32=0; v42=1.
Если привязать эти коэффициенты к нейронам слоя Гроссберга, то соот-ветственно вектора весовых коэффициентов каждого нейрона Гроссберга когут бать представлены в виде: V1T