Теми рефератів
> Реферати > Курсові роботи > Звіти з практики > Курсові проекти > Питання та відповіді > Ессе > Доклади > Учбові матеріали > Контрольні роботи > Методички > Лекції > Твори > Підручники > Статті Контакти
Реферати, твори, дипломи, практика » Статьи » Розпізнавання образів за допомогою неординарного алгоритму та програмної реалізації, що здійснює функціонування нової розділеної структури штучної нейронної мережі

Реферат Розпізнавання образів за допомогою неординарного алгоритму та програмної реалізації, що здійснює функціонування нової розділеної структури штучної нейронної мережі





ктура самоорганізується карти Кохонена



Ця архітектура аналогічна структурі шару Кохонена за винятком того, що тут не використовуються зсуву. Конкуруюча функція активації повертає 1 для елемента виходу, відповідного перемог нейрону; всі інші елементи вектора рівні 0.

Однак в мережі Кохонена виконується перерозподіл нейронів, які сусідять із перемігшим нейроном. При цьому можна вибирати різні топології розміщення нейронів і різні заходи для обчислення відстаней між нейронами.


. 8.3 Створення мережі

Для створення самоорганізується карти Кохонена у складі ППП MATLAB NNT передбачена М-функція newsom. За умовами завдання нам потрібно створити мережу для обробки двохелементних векторів входу з діапазоном зміни елементів від - 1 до 1 і від - 1 до 1 відповідно. Передбачається використовувати гексагональну сітку розміру 6x5. Тоді для формування такої нейронної мережі достатньо скористатися оператором:


net=newsom ([- 1 1; - 1 1], [6 5]). layers {1} =: [6 5]: linkdist raquo ;: [30x30 double]: laquo ; initwb raquo ;: netsum raquo ;: [2x30 double]: 30: hextop raquo ;: compet raquo ;: [1x1 struct]


Рис. 3.29. Початкові входи Нейрна.


З аналізу характеристик цієї мережі слід, що вона використовує за замовчуванням гексагональну топологію hextop і функцію відстані linkdist.

Для навчання мережі задамо наступні 120 двохелементних векторів входу, а 30 зразків, по 10 з кожного класу залишимо для тестування мережі:

=[- 0.86 - 0.86 ... n; 0.58 0.41 ... n]


Побудуємо на топографічній карті початкове розташування нейронів карти Кохонена (рис. 3.30):


hold on (P (1,;), P (2, :), * до , markersize , 10)


Рис. 3.30. Розташування вибірки навчальних зразків



Вектори входу помічені символом * і розташовані по периметру малюнка, а початкове розташування нейронів відповідає точці з координатами (1, 0.5).


. 8.4 Навчання мережі

Навчання самоорганізується карти Кохонена реалізується повекторно незалежно від того, виконується навчання мережі за допомогою функції trainwbl або адаптація за допомогою функції adaptwb. У будь-якому випадку функція learnsom виконує настройку елементів вагових векторів нейронів.

Насамперед визначається нейрон-переможець і коригуються його вектор ваг і вектори ваг сусідніх нейронів згідно співвідношенню:


(3.8)


де - параметр швидкості навчання;- Масив параметрів сусідства для нейронів, розташованих в околиці нейрона-переможця i, який обчислюється за співвідношенням:


(3.9)


де - елемент виходу нейронної мережі;- Відстань між нейронами i і j;- Розмір околу нейрона-переможця.

Вагові вектори нейрона-переможця та сусідніх нейронів змінюються залежно від значення параметра сусідства. Ваги нейрона-переможця змінюються пропорційно параметру швидкості навчання, а ваги сусідніх нейронів - пропорційно половинному значенням цього параметра.

Процес навчання карти Кохонена включає 2 етапи: етап впорядкування векторів вагових коефіцієнтів в просторі ознак і етап підстроювання. При цьому використовуються наступні параметри навчання мережі (таблиця 3.4):


Табл. 3.4

Параметри навчання мережі

Параметри навчання та налаштування карти КохоненаЗначеніе по умолчаніюКолічество циклів обученіяneе.trainParamepochsN gt; 1000Колічество циклів на етапі упорядоченіяnetinputWeights {1,1} .learnParam.order_stepsS1000Параметр швидкості навчання на етапі упорядоченіяnet.inputWeights {1,1} .leamParam. order_lrorder_lr0.9Параметр швидкості навчання на етапі подстройкіnet.inputWeights {1,1} .learnParam.tune_lrtune0.02Размер околиці на етапі подстройкіnet.inputWeights (1,1) .learnParam.tune_ndtune_nd1

У процесі побудови карти Кохонена змінюються 2 параметра: розмір околиці і параметр швидкості навчання.

Етап упорядкування. На цьому етапі використовується фіксована кількість кроків. Початковий розмір околу призначається рівним максимальному відстані між нейронами для обраної топології і потім зменшується до величини, використовуваної на етапі підстроювання у відповідності з наступним правилом:


(3.10)


де

- максимальна відстань між нейронами;- Номер поточного?? ага.

Параметр швидкості навчання змін...


Назад | сторінка 31 з 36 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Інтелект карти як засіб формування лексичних навичок на середньому етапі на ...
  • Реферат на тему: Проблеми навчання говорінню іноземною мовою на середньому етапі навчання ді ...
  • Реферат на тему: Особливості навчання письма та писемного мовлення на заняттях з іноземної м ...
  • Реферат на тему: Методи і прийоми навчання аудіювання на середньому етапі навчання
  • Реферат на тему: Пошук інформації в мережі Інтернет для використання в процесі навчання