Хайкин С. - Нейронные сети (778923), страница 2
Текст из файла (страница 2)
Компьютерное моделирование Заключительные замечания 6.7. к-нечувствительные функции потерь 6.8. Машины опорных векторов для задач нелинейной регрессии 6.9. Резюме и обсуждение Задачи Оптимальная разделяющая гиперплоскость Ядро скалярного произведения 386 386 388 389 390 395 396 396 399 401 403 405 408 409 409 410 413 414 414 415 417 417 418 419 422 425 426 431 433 434 436 437 438 442 443 444 445 449 453 453 454 12 Содержание 455 455 456 457 Классификация множеств Нелинейная регрессия Преимущества и недостатки Компьютерное моделирование решений НМА 509 510 510 513 514 516 520 7. Ассоциативные машины 7.1.
Введение Структура главы 7.2. Усреднение по ансамблю 7.3. Компьютерный эксперимент 1 7.4. Метод усиления Усиление за счет фильтрации Алюритм адаптивного усиления АбаВоовГ Изменение ошибки 7.5. Компьютерный эксперимент 2 7.6. Ассоциативная гауссова модель смешения Вероятностная порождающая модель Модель смешения мнений экспертов 7.7. Модель иерархического смешения мнений экспертов 7.8.
Выбор модели с использованием стандартного дерева Алгоритм САНТ Использование алгоритма САНТ для инициализации модели 7.9. Априорные и апостериорные вероятности 7.10. Оценка максимального подобия 7.11. Стратегии обучения для модели НМЕ 7.12. Алгоритм ЕМ 7.13. Применение алгоритма ЕМ к модели НМЕ 7.14. Резюме и обсуждение Задачи Усреднение по ансамблю Усиление Смешение мнений экспертов Иерархическое смешение мнений экспертов Апюритм ЕМ и его применение в модели НМЕ 8.
Анализ главных компонентов 8.1. Введение Структура главы 8.2. Некоторые интуитивные принципы самоорганизации Анализ признаков на основе самоорганизации 8.3. Анализ главных компонентов Структура анализа главных компонентов Основные представления данных 458 459 460 464 465 466 470 473 474 476 478 479 484 486 487 489 490 492 495 497 498 503 505 505 505 505 506 506 Содержание 13 Сокращение размерности 8.4. Фильтр Хебба для выделения максимальных собственных значений Матричная Формулировка влюритма Теорема об асимптотической устойчивости Анализ устойчивости фильтра для извлечения максимальною собственною значения Общие свойства фильтра Хебба для извлечения максимальною собственною значения 8.5. Анализ главных компонентов на основе фильтра Хебба Исследование схсдимости Оптимальность обобщенною алгоритма Хебба Алюритм ОНА в сжатом виде 8.6.
Компьютерное моделирование: кодирование изображений 8.7. Адаптивный анализ главных компонентов с использованием латеральною торможения Интенсивность обучения Алгоритм АРЕХ в сжатом виде 8.8. Два класса алгоритмов РСА Псдпрсстранство главных компонентов 8.9.
Пакетный и адаптивный методы вычислений 8.10. Анализ главных компонентов на основе ядра Алгоритм РСА на основе ядра в сжатом виде 8.11. Резюме и обсуждение Задачи Фильтр Хебба для извлечения максимальною собственного значения Анализ главных компонентов на основе правила Хебба РСА на основе ядра 9. Карты самоорганизации 9.1. Введение Структура главы 9.2. Две основные модели отображения признаков 9.3. Карты самоорганизации Процесс конкуренции Процесс кооперации Процессадаптации Два этапа адаптивною процесса; упорядочивание и сходимость 9.4.
Краткое описание алгоритма ЯОМ 9.5. Свойства карты признаков 9.6. Компьютерное моделирование Двумерная решетка, полученная на основе двумерною распределения Одномерная решетка на основе двумерного распределения Описание параметров моделирования 520 523 527 528 535 537 541 542 543 544 546 556 557 558 558 559 561 565 567 570 570 571 572 573 573 574 575 577 579 580 583 586 586 588 597 597 599 600 14 Содержание 602 классификация 604 606 611 613 615 615 616 617 622 677 678 682 684 9.7.
Квантование вектора обучения 9.8. Компьютерное моделирование: адаптивная множеств 9.9. Иерархическая квантизация векторов 9.10. Контекстные карты 9.11. Резюме и обсуждение Задачи Алгоритм ВОМ Квантизация векторов обучения Компьютерные эксперименты 10. Модели на основе теории информации 10.1. Введение Структура главы 10.2. Энтропия Дифференциальная энтропия непрерывной случайной переменной Свойства дифференциальной энтропии 10.3. Принцип максимума энтропии 10.4. Взаимная информация Взаимная информация непрерывных случайных переменных 10.5.
Дивергенция Кулбека — Лейблера Декомпозиция Пифагора 10.8. Взаимная информация как оптимизируемая целевая функция 10.7. Принцип максимума взаимной информации 10.8. Принцип Иогпах и уменьшение избыточности Моделирование систем восприятия 10.9. Пространственно связные признаки 10.10. Пространственно несвязные признаки 10.11. Анализ независимых компонентов Критерий статистической независимости Определение дифференциальной энтропии гц т ) Определение граничной энтропии й(У,) Функция активации Алюритм обучения для )СА Свойство эквивариантности Условия устойчивости Условия сходимости 10.12.
Компьютерное моделирование 10.13. Оценка максимального правдоподобия Связь между максимальным подобием и анализом независимых компонентов 10.14. Метод максимальной энтропии Алгоритм обучения для слепою разделения источников 10.15. Резюме и обсуждение 622 623 623 627 628 629 632 635 636 638 640 641 646 646 649 652 654 659 660 660 664 666 668 670 672 672 675 Содержание Задачи Принцип максимума энтропии Взаимная информация Принцип Ыогпах Анализ независимых компонентов Метод максимальной энтропии 686 686 686 687 688 690 691 738 742 743 748 748 11. Стохастические машины и их аппроксимации а статистической механике 11.1. Введение Структура главы 11.2. Статистическая механика Свободная энергия и энтропия 11.3.
Цепи Маркова Вероятности перехода Свойства рекуррентности Несократимые цепи Маркова Эргодические цепи Маркова Сходимость к стационарным распределениям Классификация состояний Принцип детального баланса 11.4. Алгоритм Метрополиса Выбор вероятности перехода 11.5. Метод моделирования отжита Расписание отжив Моделирование отжив для комбинаторной оптимизации 11.6. Распределение Гиббса 11.7. Машина Больцмана Квантование Гиббса и моделирование отжига в машине Больцмана Правилообучения Больцмана Потребность в отрицательной фазе и ее применение 11.8.
Сигмоидальные сети доверия Фундаментальные свойства сигмоидальных сетей доверия Обучение в сигмоидальных сетях доверия 11.9. Машина Гельмгольца 11.10. Теория среднего поля 11.11. Детерминированная машина Больцмана 11.12. Детерминированные сигмоидальные сети доверия Нижняя граница функции логарифмическою правдоподобия Процедура обучения для аппроксимации среднею поля сигмоидальной сети доверия 11.13. Детерминированный отжиг Кластеризация посредством детерминированного отжита Аналогия с алюритмом ЕМ 11.14. Резюме и обсуждение 691 692 692 694 695 696 698 698 699 700 703 703 704 705 707 709 710 711 713 715 718 721 722 722 724 728 730 733 734 735 16 Содержание Задачи Цепи Маркова Приемы моделирования Машина Больцмана Сигмоидальные сети доверия Машина Гельмюльца Детерминированная машина Больцмана Детерминированная сигмоидальная сеть доверия Детерминированный отжиг 12.
Нейродинамическое программирование 12.1. Введение Структура главы 12.2. Марковский процесс принятия решений Постановка задачи 12.3. Критерий оптимальности Беллмана Алгоритм динамического программирования Уравнение оптимальности Беллмена 12.4. Итерация по стратегиям 12.5. Итерация по значениям 12.6. Нейродинамическое программирование 12.7. Приближенный алгоритм итерации по стратегиям 12.8. О-обучение Теорема о скодимости Приближенное 0-обучение Исследование 12.9.
Компьютерный эксперимент 12.10. Резюме и обсуждение Задачи Критерий оптимальности Беллмана Итерация по стратегиям Итерация по значениям 0-обучение 13. Временная обработка с использованием сетей прямого распространения 13.1. Введение Структура главы 13.2. Структуры кратковременной памяти Память на основе линии задержки с отводами Гамма-память 13.3. Сетевые архитектуры для временной обработки НЕТГайс Нейронные сети с задержкой по времени 752 752 752 754 757 757 758 758 758 760 760 762 762 765 766 767 768 770 773 778 780 784 786 787 788 790 793 796 796 798 798 798 799 799 800 801 803 804 806 806 807 Содержание 13.4.
Фокусированные сети прямого распространения с задержкой по времени 13.5. Компьютерное моделирование 13.6. Универсальная теорема миопического отображения 13.7. Пространственно-временные модели нейрона Аддитивная модель 13.8. Распределенные сети прямого распространения с задержкой по времени 13.9. Алгоритм обратного распространения во времени О~раничения причинности 13 10. Резюме и обсуждение Задачи Фокусированные Т1.ГЙ Пространственно-временные модели нейронов Обратное распространение во времени Компьютерное моделирование 14.
Нейродинамика 14.1. Введение Структура главы 14.2. Динамические системы Пространство состояний Условие Лившица Теорема о дивергенции 14.3. Устойчивость состояний равновесия Определения устойчивости Теоремы Ляпунова 14.4. Аттракторы Гиперболические аттракторы 14.5. Нейродинамические модели Аддитивная модель Связанная модель 14.6. Управление аттракторами как парадигма рекуррентных сетей 14.7.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
