но співвідношенню:
Вагові вектори нейрона-переможця та сусідніх нейронів змінюються залежно від значення параметра сусідства.
Вагомості нейрона-переможця змінюються пропорційно параметру швидкості навчання, а ваги сусідніх нейронів - пропорційно половинному значенням цього параметра.
Виконаємо навчання карти:
Задамо кількість циклів навчання рівним 500:
net.trainParam.epochs=500.trainParam.show=100=train (net, P) (P (1, :), P (2, :), * raquo ;, laquo ; markersize , 5) on (net.iw {1 * 1}, net.layers {1} .distances)
Результат навчання представлений на рис. 3.34.
Рис. 3.34. Карта Кохонена навчена
Положення нейронів і їх нумерація визначаються масивом вагових векторів, який для даного прикладу має вигляд рис. 3.35:
Рис. 3.35. Масив вагових векторів
Висновок
На основі проведених досліджень запропоновано принципово новий метод розпізнавання образів за допомогою неординарного алгоритму та програмної реалізації, що здійснює функціонування нової розділеної структури штучної нейронної мережі (ІНС), що використовує нейро-матричну реалізацію для класифікації оброблюваних даних. Основні результати дисертаційної роботи наступні:
На основі аналізу і обробки спеціальної літератури та ресурсів Інтернет були опрацьовані, виявлені і застосовані принципи і знання з теорії нейробіології, нейроінформатікі, кібернетики, штучного інтелекту, штучних нейронних мереж і нейросетвой самоорганізації, персептронов, кластеризації та категоризації об'єктів, аналізу сцен, машинного розпізнавання образів, теорії множин, дискретної математики. Для дослідження проблеми була введена велика база даних (БД) з еталонних образів, що складається з різновидів п'яти вибірок даних для навчання нейронної мережі.
Список літератури
Штучна нейронна мережа клітинний
1. Антонов А.С. Введення в паралельні обчислення. Методичний посібник/А.С. Антонов.- М .: Изд-во МГУ, 2002. - 70 с.
2. Букатов О.О., Дацюк В.М., Жегулев А.І. Програмування багатопроцесорних обчислювальних систем/А.А. Букатов, В.Н. Дацюк, А.І. Жегулев.- Ростов-на-Дону: Изд-во ТОВ ??laquo; ЦВВР raquo ;, 2003. - 208 с.
3. Буцев А.В., Первозванский А.А. Локальна апроксимація на штучних нейросетях/А.В. Буцев//Автоматика і Телемеханіка 1995. №9. С. 127-136
4. Вальковський В.А., Котов В.Є., Марчук А.Г., Міренков Н.Н. Елементи паралельного програмування/В.А. Вальковський, В.Є. Котов, А.Г. Марчук, Н.Н. Міренков.- М .: Радіо і зв'язок, 1983. - 240 с.
5. Вапник В.Н. Відновлення залежностей за емпіричними даними/В.М. Вапник.- М .: Наука, 1980, 520 с.
6. Васильєв Д. Знайомтеся, Erlang/Д. Васильєв//Системний адміністратор.- 2009. - №8
7. Воєводін В.В. Математичні моделі та методи в паралельних процесах/В.В. Воєводін.- М .: Наука, 1986, 296 с.
8. Воєводін В.В., Воєводін Вл.В. Паралельні обчислення/В.В. Воєводін, Вл.В. Воєводін.- СПб.ГУ, 1997. - 308 с.
9. Воронцов, К. В., Лекції з штучних нейронних мереж//К.В. Воронцов.- Воронеж, 2007. - 29 с.
10. Галушкин А.І. Нейронні мережі. Основи теорії/А.І. Галушкин.- М .: Гаряча лінія - Телеком, 2012. - 496 с.
11. Галушкин А.І. Нейронні мережі: історія розвитку: навч. Посібник для вузів/О.І. Галушкин, Я.З. Ципкин.- М .: ІПРЖ, 2001. - 839 с.
12. Герасименко М.С. Обчислення штучних нейронних мереж на обчислювальних кластерах або ЛВС/М.С. Герасименко/Вісник Воронезького державного університету, Серія: Системний аналіз та інформаційні технології, №1, 2010. - С. 120-125
13. Головко В.А. Нейронні мережі: навчання, організація і застосування/В.А. Головко.- М .: ІПРЖР, 2001, 256 с.
14. Горбань А.Н. Узагальнена апроксимаційна теорема і обчислювальні можливості нейронних мереж/А. Н. Горбань//Сибірський журнал обчислювальної математики - 1998. - Т. 1, №1.- С. 12-24
15. Горбань А.Н. Навчання нейронних мереж/О.М. Горбань.- М .: Параграф, 1990. - 160 с.
16. Городняя Л.В. Основи функціонального програмування. Курс лекцій/Л.В. Городняя.- М .: Інтернет-університет інформаційних технологій, 2004. 280 с.
17. Демиденко Є.З. Оптимізація і регресія/Є.З. Демиденко.- М .: Наука, 1989. - 293с.
18. Дорогів А.Ю. Шви...
