Выбор начальных весовых коэффициентов - раздел Геология, Классификация сейсмических сигналов на основе нейросетевых технологий Выбор Начальных Весовых Коэффициентов. Перед Тем, Как Приступить К Обучению Н...
Выбор начальных весовых коэффициентов. Перед тем, как приступить к обучению нейронной сети, необходимо задать ее начальное состояние. От того насколько удачно будут выбраны начальные значения весовых коэффициентов зависит, как долго сеть за счет обучения и подстройки будет искать их оптимальное величины и найдет ли она их. Как правило, всем весам на этом этапе присваиваются случайные величины равномерно распределенные в диапазоне -A, A , например -1,1 , или -3,3 . Однако, как показали эксперименты, данное решение не является наилучшим и в качестве альтернативы предлагается использовать другие виды начальной инициализации, а именно 1. Присваивать весам случайные величины, заданные не равномерным распределением, а нормальным распределением с параметрами N a, s , где выборочное среднее a 0, а дисперсия s 2, или любой другой небольшой положительной величине.
Для формирования нормально распределенной величины можно использовать следующий алгоритм Шаг 1. Задать 12 случайных чисел x 1 , x 2 x 12 равномерно распределенных в диапазоне 0,1 . x i Н R 0,1 . Шаг 2. Для искомых параметров a и s величина, полученная по формуле будет принадлежать нормальному распределению с параметрами N a, s . 2. Можно производить начальную инициализацию весов в соответствии с методикой, предложенной Nguyen и Widrow 7 . Для этой методики используются следующие переменные число нейронов текущего слоя количество нейронов последующего слоя коэффициент масштабирования Вся процедура состоит из следующих шагов Для каждого нейрона последующего слоя Инициализируются весовые коэффициенты с нейронов текущего слоя случайное число в диапазоне -1,1 или. Вычисляется норма Далее веса преобразуются в соответствии с правилом Смещения выбираются случайным образом из диапазона. Обе предложенные методики позволили на практике добиться лучших результатов, в сравнении со стандартным алгоритмом начальной инициализации весов. 6.5
Существуют задачи, решение которых просто невозможно аналитическими методами, а нейросети успешно с ними справляются. Даже в том случае, если можно… В данном дипломе рассматривается задача, возникающая при сейсмическом… Несмотря на то, что для ее решения, в настоящее время успешно применяются методы статистического анализа, …
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Выбор начальных весовых коэффициентов
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Основные положения теории нейронных сетей
Основные положения теории нейронных сетей. Для того, чтобы обсуждать возможности нейросетевых технологий, необходимо хотя бы немного иметь представление об элементарных понятиях, о том, что же тако
Постановка задачи классификации сейсмических сигналов
Постановка задачи классификации сейсмических сигналов. Международная система мониторинга МСМ , сформировавшаяся в мире за последние десятилетия, предназначена для наблюдения за сейсмически активным
Выделение информационных признаков из сейсмограмм
Выделение информационных признаков из сейсмограмм. Исходные данные представлены в виде сейсмограмм рис. 3.1 - это временное отображение колебаний земной поверхности.
В таком виде анализирова
Отбор наиболее информативных признаков для идентификации
Отбор наиболее информативных признаков для идентификации. Как было показано выше, в сейсмограмме анализируемого события можно выделить достаточно много различных характеристик, однако, далеко не вс
Нейрон-классификатор
Нейрон-классификатор. получал на свои входы уже линейно-разделимые множества.
Такие структуры носят название многослойные персептроны 1-4,7,10 рис. 1.3 . Легко показать, что, в принципе, все
Методы предварительной обработки данных
Методы предварительной обработки данных. Если возникает необходимость использовать нейросетевые методы для решения конкретных задач, то первое с чем приходится сталкиваться - это подготовка данных.
Максимизация энтропии как цель предобработки
Максимизация энтропии как цель предобработки. Рассмотрим основной руководящий принцип, общий для всех этапов предобработки данных.
Допустим, что в исходные данные представлены в числовой фор
Алгоритм обучения и методы его оптимизации
Алгоритм обучения и методы его оптимизации. Приступая к обучению выбранной нейросетевой модели, необходимо было решить, какой из известных типов алгоритмов, градиентный обратное распространения оши
Функциональные возможности программы
Функциональные возможности программы.
В программе nvclass. с - нейро-классификатор векторов данных реализована модель двухслойного персептрона, представленная в разделе 6. Эта программа пред
Общие сведения
Общие сведения. Программный пакет предназначенный для идентификации типа сейсмического события включает следующие модули Исходный код программы nvclass. c и nvclass. h Файл с настройками режима раб
Описание входного файла с исходными данными
Описание входного файла с исходными данными.
В качестве исходных данных используется отформатированный текстовый файл, в котором хранится информация о размерности векторов, их количестве и с
Описание файла настроек
Описание файла настроек.
Параметры настройки программы содержаться во входном файле nvclass. inp. Пример файла приведен в приложении 3. Для настройки используются следующие переменные TYPE -
Эксплуатация программного продукта
Эксплуатация программного продукта.
Перед тем, как приступить к эксплуатации программного продукта рекомендуется ознакомиться с форматом данных, в котором должны быть записаны исходная выбор
Результат работы программы
Результат работы программы.
Для исследований возможностей разработанного программного обеспечения были проведены различные эксперименты, основная цель которых - подобрать значения параметров
Пример файла с векторами признаков
Пример файла с векторами признаков.
Представлена выборка из файла 9 Norv. txt, содержащего 9 размерные вектора признаков. NumOfPattern 86 PatternDimens 9 1 -14.3104 -13.2561 -13.4705 -13.430
Файл с настройками программы
Файл с настройками программы. Common parameters for programm NVCLASS 1 1 - OnlyTest mode, 1 2 - TestAfterLearn mode, 2 1 - CheckOneVector, 2 2 - CrossValidation mode. TYPE 2 2 NDATA 9 NPATTERN 86 P
Пример файла отчета
Пример файла отчета.
NVCLASS report - Wed Jun 02 15 58 02 1999 Type 1 2 Neural Net - 18,12,1 PatternFile - vect. txt Test Vector s - vector. tst ResNetFname - 12. net LearnTolerance 0.10 Ini
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Новости и инфо для студентов