|
противном случае, выходной вектор не совпадет ни с одним образцовым. К недостаткам сети можно отнести следующее: сеть обладает небольшой емкостью; наряду с запомненными образами в сети хранится и их «негативы»; неэкономное расходование памяти; размерность и тип входных сигналов совпадают с размерностью и типом выходных сигналов. Это существенно ограничивает применение сети к поставленной задаче. При использовании сильно коррелированных векторов-образцов возможно зацикливание сети в процессе функционирования. Увеличение размерности входного сигнала влечет за собой квадратичный рост числа синапсов [36]. Когда нет необходимости, чтобы сеть в явном виде выдавала образец, то есть достаточно, скажем, получать номер образца, ассоциативную память успешно реализует сеть Хэмминга. Основные области применения: распознавание образов, классификация, ассоциативная память. Данная сеть характеризуется, по сравнению с сетью Хопфилда, меньшими затратами на память и объемом вычислений, что становится очевидным из ее структуры (рисунок 3.10). Рисунок ЗЛО. Структурная схема сети Хэмминга Сеть состоит из двух слоев. Первый и второй слои имеют по т нейронов, где т число образцов. Нейроны первого слоя имеют по п синапсов, соединенных со входами сети (образующими фиктивный нулевой слой). Нейроны второго слоя связаны между собой ингибиторными (отрицательными обратными) синаптическими связями. Единственный синапс с положительной обратной связью для каждого нейрона соединен с его 105 |
сети: Y = { yt: i=0,...n-l}. В противном случае, выходной вектор не совпадет ни с одним обучающим. К недостаткам сети можно отнести следующее: сеть обладает небольшой емкостью; наряду с запомненными образами в сети хранится и их «негативы»; неэкономное расходование памяти; размерность и тип входных сигналов совпадают с размерностью и типом выходных сигналов. Это существенно ограничивает применение сети к поставленной задаче. При использовании сильно коррелированных векторов-образцов возможно зацикливание сети в процессе функционирования. Увеличение размерности входного сигнала влечет за собой квадратичный рост числа синапсов [36]. Когда нет необходимости, чтобы сеть в явном виде выдавала образец, то есть достаточно, скажем, получать номер образца, ассоциативную память успешно реализует сеть Хэмминга. Основные области применения: распознавание образов, классификация, ассоциативная память. Данная сеть характеризуется, по сравнению с сетью Хоифилда, меньшими затратами на память и объемом вычислений, что становится очевидным из ее структуры (рисунок 3.11). обратная сейм. Рисунок 3.11 Структурная схема сети Хэмминга Сеть состоит из двух слоев. Первый и второй слои имеют по т нейронов, где т число образцов. Нейроны первого слоя имеют по п синапсов, соединенных со входами сети (образующими фиктивный нулевой слой). Нейроны второго слоя связаны между собой ингибиторными 78 (отрицательными обратными) синаптическими связями. Единственный синапс с положительной обратной связью для каждого нейрона соединен с его же аксоном. Идея работы сети состоит в нахождении расстояния Хэмминга от тестируемого образа до всех образцов. Расстоянием Хэмминга называется число отличающихся битов в двух бинарных векторах. Сеть должна выбрать образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу. Сеть Хэмминга способна правильно распознавать только слабо зашумленные входные сигналы. Возможность использования только бинарных входных сигналов существенно ограничивает область применения. Таким образом, для решения задачи определения концентрации вредных веществ в воздушной среде будет использоваться многослойная полносвязная гомогенная нейронная сеть вида многослойныйтперсептрон. 3.4. ОБУЧЕНИЕ НЕЙРОННОЙ СЕГИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ Для того чтобы сеть выполняла решение поставленной задачи, необходимо провести ее обучение. Существуют самообучающиеся нейронные сети и сети с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором множестве таких нар. Предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого 79 |