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 » Курсовые проекты » Розробка та реалізація нейросетевого пошуку в рамках проекту &AIST&

Реферат Розробка та реалізація нейросетевого пошуку в рамках проекту &AIST&





оптимальні позиції кодових векторів - для оцінки за методом найменших квадратів це просто середні арифметичні:



де - число елементів в.

Далі ітеріруем. Цей метод розщеплення сходиться за кінцеве число кроків і дає локальний мінімум спотворення.

Якщо ж, наприклад, сукупність заздалегідь не задана, або з яких-небудь причин не зберігається в пам'яті, то широко використовується онлайн метод. Вектори вхідних сигналів обробляються по одному, для кожного з них знаходиться найближчий кодовий вектор («переможець», який «забирає все»). Після цього даний кодовий вектор перераховується за формулою:



де - крок навчання. Решта кодові вектори на цьому кроці не змінюються. Для забезпечення стабільності використовується онлайн метод з затухаючої швидкістю навчання: якщо - кількість кроків навчання, то вважають. Функцію вибирають таким чином, щоб монотонно при і щоб ряд [7]:



розходився, наприклад:



Векторне квантування є набагато більш загальної операцією, ніж кластеризація, оскільки кластери повинні бути розділені між собою, тоді як сукупності для різних кодових векторів не обов'язково являють собою роздільні кластери. З іншого боку, при наявності разделяющихся кластерів векторне квантування може знаходити їх і по-різному кодувати.

Алгоритм роботи мережі складається з наступних кроків:

· Ініціалізація карти, тобто первісне завдання векторів ваги для вузлів. Початкові координати векторів можуть бути задані випадковими числами.

· Цикл. Нехай - номер ітерації (ініціалізація відповідає номеру 0):

· Вибір довільного спостереження - вектора з безлічі вхідних даних.

· Знайти відстані від нього до векторів ваги всіх вузлів карти і визначити найближчий по вазі вузол. Це - BMU або переможець. Умова на відбір:


,


для будь-якого, де - вектор ваги вузла. Якщо знаходиться декілька вузлів, що задовольняють даній умові, BMU вибирається випадковим чином серед них.

· Визначення за допомогою функції (функції сусідства) сусідів і зміна їх векторів ваги за формулою:


.


· Визначення помилки карти за формулою:



де - вагові вектора вузлів карти, - кількість елементів набору вхідних даних,

Функція визначає міру сусідства вузлів і і зміна векторів ваги. Вона повинна поступово уточнювати їх значення, спочатку у більшої кількості вузлів і сильніше, потім у меншого і слабкіше. Часто як функції сусідства використовується гауссова функція:



де - навчальний співмножник, монотонно регресний з кожною наступною итерацией (тобто визначальний наближення значення векторів ваги BMU та його сусідів до спостереження; чим більше крок, тим менше уточнення);

, - координати вузлів і на карті;

- монотонно регресний співмножник, що зменшує кількість сусідів з ітераціями.

Параметри, і їх характер убування задаються аналітиком.

Більш простий спосіб завдання функції сусідства:

,

якщо перебуває в околиці заздалегідь заданого аналітиком радіуса, і 0 в іншому випадку.

Функція дорівнює для BMU і зменшується з віддаленням від BMU.


3.3.3 Алгоритм розширюється нейронного газу

Розширюється нейронний газ (Growing Neural Gas, GNG) - це алгоритм, що дозволяє здійснювати адаптивну кластеризацию вхідних даних, тобто не тільки розділити простір на кластери, а й визначити необхідну їх кількість виходячи з особливостей самих даних. Це новий клас обчислювальних механізмів, що є розвитком мереж Кохонена. Кількість і розташування штучних нейронів в просторі ознак не запитує заздалегідь, а обчислюється в процесі навчання відповідно до особливостей вхідних даних, самостійно підлаштовуючись під них [7].

Існують методики, які здатні виділяти найбільш схожі об'єкти в просторі і формувати з них групи. У процесі аналізу безліч об'єктів організовуються в підмножини на основі вимірюваного схожості. Зазвичай методи грунтуються на стандартною схемою: оптимізація відносин між просторовим розташуванням векторів і безлічі об'єктів, таких, що кожен вектор визначає структуру кластерів. Однак більшість технік мають два значні недоліки: проведення аналізу залежить від заданої кількості кластерів і поділу на кластери локалізовано в часі. Всі сучасні методи кластеризації були статичні і не могли адаптувати...


Назад | сторінка 5 з 12 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Вектор в просторі. Скалярний твір ненульових векторів
  • Реферат на тему: Скалярний добуток двох векторів
  • Реферат на тему: Програми циклічної структури з використанням векторів
  • Реферат на тему: Алгоритм Функціонування транспортних вузлів
  • Реферат на тему: Особливості початкового навчання плаванню дітей молодшого шкільного віку з ...