загрузка...
загрузка...
На головну

бінарні системи

  1. B.3. Системи економетричних рівнянь
  2. D.3. Системи економетричних рівнянь
  3. I. Суб'єктивні методи дослідження ендокринної системи.
  4. I. Суб'єктивні методи дослідження кровотворної системи.
  5. II. Об'єктивні методи дослідження ендокринної системи. Особливості загального огляду.
  6. II. Перевірка і усунення затираний рухомий системи РМ.
  7. III. Об'єктивні методи дослідження ендокринної системи.

У першій роботі Хопфілда [6] функція F була просто пороговою функцією. Вихід такого нейрона рівний одиниці, якщо зважена сума виходів з інших нейронів більше порога Tj, В іншому випадку вона дорівнює нулю. Він обчислюється таким чином:

 , (6.1)

OUT, = 1, якщо NETj>Тj,

OUT. = 0, якщо NETj<Тj,

OUT не змінюється, якщо NETj = Тj,

Мал. 6.1. Одношарова мережа із зворотними зв'язками.
 Пунктирні лінії позначають нульові ваги

Стан мережі - це просто безліч поточних значень сигналів OUT від всіх нейронів. У початковій мережі Хопфілда стан кожного нейрона змінювалося в дискретні випадкові моменти часу, в подальшій роботі стани нейронів могли змінюватися одночасно. Так як виходом бінарного нейрона може бути тільки нуль або одиниця (проміжних рівнів немає), то поточний стан мережі є двійковим числом, кожний біт якого є сигналом OUT деякого нейрона.

Функціонування мережі легко візуалізується геометрично. На рис. 6.2а показаний випадок двох нейронів у вихідному шарі, причому кожній вершині квадрата відповідає одне з чотирьох станів системи (00, 01, 10, 11). На рис. 6.2б показана трехнейронной система, представлена ??кубом (в тривимірному просторі), що має вісім вершин, кожна з яких позначена трехбітовим бінарним числом. У загальному випадку система з n нейронами має 2nрізних станів і представляється n-мірним гіперкубом.

Мал. 6.2а. Два нейрона породжують систему з чотирма станами

Мал. 6.2б. Три нейрона породжують систему з вісьма станами

Коли подається новий вхідний вектор, мережа переходить з вершини у вершину, поки не стабілізується. Стійка вершина визначається мережевими вагами, поточними входами і величиною порога. Якщо вхідний вектор частково неправильний або неповний, то мережа стабілізується в вершині, найближчій до бажаної.



Попередня   34   35   36   37   38   39   40   41   42   43   44   45   46   47   48   49   Наступна

Додаток: СТИСК ДАНИХ | ОБГОВОРЕННЯ | ВИКОРИСТАННЯ НАВЧАННЯ | больцманівського навчання | навчання Коші | Метод штучної теплоємності | Додатки до ЗАГАЛЬНИМ НЕЛІНІЙНИМ ЗАДАЧ ОПТИМІЗАЦІЇ | Труднощі, пов'язані зі зворотним поширенням | Комбінування зворотного поширення з навчанням Коші | Обговорення |

загрузка...
© um.co.ua - учбові матеріали та реферати