Главная » Просмотр файлов » Хайкин С. - Нейронные сети

Хайкин С. - Нейронные сети (778923), страница 23

Файл №778923 Хайкин С. - Нейронные сети (Хайкин С. - Нейронные сети) 23 страницаХайкин С. - Нейронные сети (778923) страница 232017-12-21СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 23)

Ассоциативность считается основной характерной чертой человеческого мозга со времен Аристотеля, вследствие чего все модели познания в качестве одной из основных операций в той или иной форме используют ассоциативную память (46). Существуют два типа ассоциативной памяти: автоассое1иативная (апгоаззос)айоп) и гетероассоциативная (Ьегегоаззос1аг(оп). При решении задачи автоассоциативной памяти в нейронной сети заноминаготся передаваемые ей образы (векторы). Затем в эту сеть последовательно подаются неполные описания или зашумленные представления хранимых в памяти исходных образов, и ставится задача распознавания конкретного образа.

Гетероассоциативная память отличается от автоассоциативной тем, что произвольному набору входных образов ставится в соответствие другой произвольный набор выходных сигналов. Для настройки нейронных сетей, предна- 112 Глава 2. Процессы обучения Входной Выходной оодтог Рис. 2.9. Диаграмма "вход-выход" для сети ас- г социации образов значенных для решения задач автоассоциативной памяти, используется обучение без учителя, а в сетях гетероассоциативной памяти — обучение с учителем.

Пусть хд — ключевой образ (!геу рагГегп) (векгор), применяемый для решения задачи ассоциативной памяти, а уь — запомненный образ (гпешопгеб рапегп) (векгор). Отношение ассоциации образов, реализуемое такой сетью, можно описать следующим образом: хь — уд,)о = 1,2, (2.18) где г) — количество хранимых в сети образов. Ключевой образ хд выступает в роли стимула, юторый не толью определяет местоположение запомненного образа уы но и содержит ключ для его извлечения.

В автоассоциативной памяти уь =хм Это значит, что пространства входных и выходных данных сети должны иметь одинаковую размерность. В гетероассоциативной памяти уь ахи Это значит, что размерность пространства выходных векторов может отличаться от размерности пространства входных (но может и совпадать с ней). В работе ассоциативной памяти можно выделить две фазы. ° Фаза заноминанин (могайе рЬазе), юторая соответствует процессу обучения сети в соответствии с формулой (2.18). ° Фаза восстановления (теса!! рЬазе), соответствующая извлечению запомненного образа в ответ на представление в сеть зашумленной или искаженной версии ключа.

Пусть стимул (входной сигнал) х представляет собой зашумленную или искаженную версию ключевого образа х . Этот стимул вызывает отклик (выходной сигнал) у (рис. 2.9). В идеальном случае у = у,, где у, — запомненный образ, ассоциируемый с ключом х,. Если при х = х, выход сети у ф у,, то говорят, что ассоциативная память при восстановлении образа сделала оигибку (еггот. Количество г) образов, хранимых в ассоциативной памяти, является непосредственной мерой емкости иамягни (зтогайе сарасйу) сети.

При построении ассоциативной памяти желательно максимально увеличить ее емкость (информационная емкость ассоциативной памяти измеряется в процентах от общего юличества нейронов М, использованных для создания сети) и убедиться, что большая часть запомненных образов восстанавливается корректно. 2.10. Задачи обучения 113 Распознавание образов Человеческий мозг хорошо приспособлен для распознавания образов. Мы получаем данные из окружающего мира через сенсоры и способны распознать источник данных. Чаще всего это выполняется мгновенно и без всяких усилий.

Например, мы можем узнать знакомое лицо, даже если наш знакомый с момента последней встречи сильно постарел. Человек может узнать знакомый голос по телефону, несмотря на помехи в линии связи. Мы можем по запаху отличить свежее яйцо от тухлого. Человек распознает образы в результате процесса обучения. То же происходит и с нейронными сетями. Распознавание образов формально определяется как процесс, в котором получаемый образ(сигнал должен быть отнесен к одному из предопределенных классов (категорий). Чтобы нейронная сеть могла решать задачи распознавания образов, ее сначала необходимо обучить, подавая последовательность входных образов наряду с категориями, которым эти образы принадлежат.

После обучения сети на вход подается ранее не виденный образ, который принадлежит тому же набору категорий, что и множеспю образов, использованных при обучении. Благодаря информации, выделенной из данных обучения, сеть сможет отнести представленный образ к конкретному классу. Распознавание образов, выполняемое нейронной сетью, является по своей природе статистическим. При этом образы представляются отдельными точками в многомерном пространстве решений. Все пространство решений разделяется на отдельные области, каждая из которых ассоциируется с определенным классом. Границы этих областей как раз и формируются в процессе обучения. Построение этих границ выполняется статистически на основе дисперсии, присущей данным отдельных классов.

В целом машины распознавания образов, созданные на основе нейронных сетей, можно разделить на два типа. ° Система состоит из двух частей: сети извлечения признаков (йШге ехкасг!оп) (без учителя) и сети классификации (с!азябсабоп) (с учителем) (рис. 2.10, а). Такой метод соответствует традиционному подходу к статистическому распознаванию образов !269), [322]. В концептуальных терминах образ представляется как набор из т наблюдений, каждое из которых можно рассматривать как точку х в гп-мерном пространстве наблюдений (данных) (оЬзегеаг!оп (даШ) зрасе). Извлечение признаков описывается с помошью преобразования, которое переводит точку х в промежуточную точку у в д-мерном пространстве признаков, где д ( т (рис.

2.10, б). Это преобразование можно рассматривать как операцию снижения размерности (т.е. сжатие данных), упрощающую задачу классификации. Сама классификация описывается как преобразование, которое отображает промежуточную точку у в один из классов г-мерного пространства решений (где г — количество выделяемых классов). 114 Глава 2. Процессы обучения Вхолиой х а) б) ° Система проектируется как единая многослойная сеть прямого распространения, использующая один из алгоритмов обучения с учителем. При этом подходе задача извлечения признаков выполняется вычислительными узлами скрытого слоя сети. Какой из этих двух подходов применять на практике — зависит от конкретной предметной области.

Аппроксимация функций Третьей задачей обучения является аппроксимация функций. Рассмотрим нелинейное отображение типа "вход-выход", заданное следующим соотношением: 6 = Т(х), (2.19) где вектор х — вход, а вектор гз — выход. Векторная функция Т() считается неиз- вестной. Чтобы восполнить пробел в знаниях о функции Г( ), иам предоставляется множество маркированных примеров: (2.20) Пространстао наблюдения размерности и Пространспю признакоа размерности а Пространстао решений размерности г Рис.

2ЛО. Иллюстрация клас- сического подхода к распозна- ванию образов 2.10. Задачи обучения 116 Входной хе хг Рнс. 2.11. Блочная диаграмма решения задачи идентификации системы К структуре нейронной сети, аппроксимируюшей неизвестную функцию Г( ), предъявляется следуюшее требование: функция г(), описываюшая отображение входного сигнала в выходной, должна быть достаточно близка к функции Г( ) в смысле Евклидовой нормы на множестве всех входных векторов х, т.е.

~ ~р(х) — 1(х))! ( в для всех векторов х, (2.21) где  — некоторое малое положительное число. Если количество Х элементов обучающего множества достаточно велико и в сети имеется достаточное число свободных параметров, то ошибку аппроксимации а можно сделать достаточно малой. Описанная задача аппроксимации является отличным примером задачи для обучения с учителем. Здесь х; играет роль входного вектора, а д; — роль желаемого отклика. Исходя из этого, задачу обучения с учителем можно свести к задаче аппроксимации. Способность нейронной сети аппроксимировать неизвестное отображение входного пространства в выходное можно использовать для решения следующих задач. ° Идентификация сислгем (аузгеш Ыепг)йса6оп). Пусть формула (2.19) описывает соотношение между входом и выходом в неизвестной системе с несколькими входами и выходами (М1МО-системе) без памяти.

Термин "без памяти" подразумевает инвариантность системы во времени. Тогда множество маркированных примеров (2.20) можно использовать для обучения нейронной сети, представляющей модель этой системы. Пусть у; — выход нейронной сети, соответствующий входному вектору хь Разность между желаемым откликом йг и выходом сети у; составляет вектор сигнала ошибки е, (рис. 2.11), используемый для корректировки свободных параметров сети с целью минимизации среднеквадратической ошибки — суммы квадратов разностей между выходами неизвестной системы и нейронной сети в статистическом смысле (т.е.

вычисляемой на множестве всех примеров). 116 Глава 2. Процессы обучения Ошибка е, Входи Рне. 2.12. Блочная диаграмма моделирования инверсной системы ° Инверсные системы (1птегзе зузгеш). Предположим, что существует некая система М1МО без памяти, для которой преобразование входного пространства в выходное описывается соотношением (2.19). Требуется построить инверсную систему, которая в ответ на вектор т) генерирует отклик в виде вектора х.

Характеристики

Тип файла
DJVU-файл
Размер
10,59 Mb
Тип материала
Высшее учебное заведение

Список файлов книги

Свежие статьи
Популярно сейчас
А знаете ли Вы, что из года в год задания практически не меняются? Математика, преподаваемая в учебных заведениях, никак не менялась минимум 30 лет. Найдите нужный учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6540
Авторов
на СтудИзбе
300
Средний доход
с одного платного файла
Обучение Подробнее