рефераты конспекты курсовые дипломные лекции шпоры

Раздел Науковедение
/
Первая итерация

Реферат Курсовая Конспект

Выберите учебное заведение

Первая итерация

Первая итерация - раздел Науковедение, МЕТОДИЧЕСКИЕ УКАЗАНИЯ К КУРСОВОЙ РАБОТЕ ПО ДИСЦИПЛИНЕ СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 5.1. Задают Начальное Значение Вектора Весовых Коэффициентов (Ком-Понент Вект...

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 случайные значения в пределах от 0 до 1. (Так как в процессе обучения начальные значения кор-ректируются, то эти начальные значения могут быть выбраны одинаковыми для всех нейронов.)

5.2. На вход сети подается сигнал, характеризующий образ, для распоз-навания которого служит выбранный нейронный элемент.

5.3. С учетом заданного начального значения весового вектора для этого сигнала определяется сетевая функция

net´_i(μ)= ,

где в качестве текущих значений составляющих весового вектора

выбираются их начальные значения.

5.4. Определяется ошибка обучения в соответствии с (24).

5.5. Полученное значение ошибки обучения сравнивается с максималь-но допустимой ошибкой δ_max _пол. Если δ_max _пол, то коррекция на-чальных значений составляющих вектора весовых коэффициентов не про-изводится и текущему значению вектора весовых коэффициентов присваи-вается начальное значение, то есть . Если δ_max _пол, то производится первая коррекция весового вектора в соответствии с выра-жением

где - значение вектора весовых коэффициентов после первой коррек-ции,

- начальное значение вектора весовых коэффициентов,
определяется в соответствиис выражением(23).

5.6. На вход сети подается сигнал, характеризующий второй (меша-ющий) образ, на который реакция данного нейрона должна быть нулевой.

5.7. С учетом скорректированного значения весового вектора для этого сигнала определяется сетевая функция

net´_i(μ)= ,

где в качестве текущих значений составляющих весового вектора

выбираются их скорректированные значения.

5.8. Определяется ошибка обучения в соответствии с (24).

5.9. Полученное значение ошибки обучения сравнивается с макси-мально допустимой ошибкой δ_max _меш. Если δ_max _меш, то кор-рекция значений составляющих вектора весовых коэффициентов не производится и текущему значению вектора весовых коэффициентов при-сваивается значение, полученное на предыдущем шаге, то есть . Если δ_max _меш, то производится вторая коррекция коррекция весового вектора в соответствии с выражением

где - значение вектора весовых коэффициентов после второй коррек-ции,

- значение вектора весовых коэффициентов после первой коррек-ции.
определяется в соответствиис выражением(23).

5.10. Процедуры 5.6 – 5.9 повторяются для всех мешающих для дан-ного нейрона сигналов.

5.11. Если для всех шагов (как при входном полезном сигнале, так и при входных мешающих сигналах) величина ошибок меньше предельно допус-тимых (то есть конечное значение весового вектора соответствует начально-му значению), то процесс обучения нейрона заканчивается. Если хотя бы на одном шаге производилась коррекция вектора весовых коэффициентов, то осуществляется переход ко второй итерации.

Развернуть

Открыть в широком формате

– Конец работы –

Эта тема принадлежит разделу:

МЕТОДИЧЕСКИЕ УКАЗАНИЯ К КУРСОВОЙ РАБОТЕ ПО ДИСЦИПЛИНЕ СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ОДЕССКИЙ НАЦИОНАЛЬНЫЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ...

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Первая итерация

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

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

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

ОБУЧЕНИЕ СЛОЯ КОХОНЕНА
Слой Кохонена классифицирует входные векторы в группы схожих. Это достигается с помощью такой подстройки весов слоя Кохонена, что близкие входные векторы активируют один и тот же нейрон данного сло

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