Net´1(1)=0,3•1+0,6•1+0,5•0+0,8•0=0,9 - раздел Науковедение, МЕТОДИЧЕСКИЕ УКАЗАНИЯ К КУРСОВОЙ РАБОТЕ ПО ДИСЦИПЛИНЕ СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 5.4. Определяем Ошибку Обучения В Соответствии С Выражением.
...
5.4. Определяем ошибку обучения в соответствии с выражением.
где = t´´1жел пол (1)=2,5.
С учетом этого =2,5-0,9=1,6.
5.5. Полученное значение ошибки обучения больше, чем δmaxпол=0,1.
Поэтому выполним коррекцию вектора весовых коэффициентов в соответст-вии с выражением
где
Тогда
5.6. На вход сети подается сигнал, характеризующий второй (мешаю-щий) образ, код которого равен 1010.
5.7. С учетом скорректированного значения весового вектора для второго сигнала определяется сетевая функция
net´1(2)=,
где в качестве текущих значений составляющих весового вектора
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:
Net´1(1)=0,3•1+0,6•1+0,5•0+0,8•0=0,9
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
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;
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
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
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
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
= t´´1жел пол (1)=2,5.
=2,5-0,9=1,6.
,
Новости и инфо для студентов