КАТЕГОРИИ:


Астрономия- (809) Биология- (7483) Биотехнологии- (1457) Военное дело- (14632) Высокие технологии- (1363) География- (913) Геология- (1438) Государство- (451) Демография- (1065) Дом- (47672) Журналистика и СМИ- (912) Изобретательство- (14524) Иностранные языки- (4268) Информатика- (17799) Искусство- (1338) История- (13644) Компьютеры- (11121) Косметика- (55) Кулинария- (373) Культура- (8427) Лингвистика- (374) Литература- (1642) Маркетинг- (23702) Математика- (16968) Машиностроение- (1700) Медицина- (12668) Менеджмент- (24684) Механика- (15423) Науковедение- (506) Образование- (11852) Охрана труда- (3308) Педагогика- (5571) П Arhitektura- (3434) Astronomiya- (809) Biologiya- (7483) Biotehnologii- (1457) Военно дело (14632) Висока технологиите (1363) Geografiya- (913) Geologiya- (1438) на държавата (451) Demografiya- ( 1065) Къщи- (47672) журналистика и SMI- (912) Izobretatelstvo- (14524) на външните >(4268) Informatika- (17799) Iskusstvo- (1338) История- (13644) Компютри- (11121) Kosmetika- (55) Kulinariya- (373) култура (8427) Lingvistika- (374) Literatura- (1642) маркетинг-(23,702) Matematika- (16,968) инженерно (1700) медицина-(12,668) Management- (24,684) Mehanika- (15423) Naukovedenie- (506) образование-(11,852) защита truda- (3308) Pedagogika- (5571) п Политика- (7869) Право- (5454) Приборостроение- (1369) Программирование- (2801) Производство- (97182) Промышленность- (8706) Психология- (18388) Религия- (3217) Связь- (10668) Сельское хозяйство- (299) Социология- (6455) Спорт- (42831) Строительство- (4793) Торговля- (5050) Транспорт- (2929) Туризм- (1568) Физика- (3942) Философия- (17015) Финансы- (26596) Химия- (22929) Экология- (12095) Экономика- (9961) Электроника- (8441) Электротехника- (4623) Энергетика- (12629) Юриспруденция- (1492) Ядерная техника- (1748) oligrafiya- (1312) Politika- (7869) Лево- (5454) Priborostroenie- (1369) Programmirovanie- (2801) производствено (97182) от промишлеността (8706) Psihologiya- (18,388) Religiya- (3217) с комуникацията (10668) Agriculture- (299) Sotsiologiya- (6455) спортно-(42,831) Изграждане, (4793) Torgovlya- (5050) превозът (2929) Turizm- (1568) физик (3942) Filosofiya- (17015) Finansy- (26596 ) химия (22929) Ekologiya- (12095) Ekonomika- (9961) Telephones- (8441) Elektrotehnika- (4623) Мощност инженерно (12629) Yurisprudentsiya- (1492) ядрена technics- (1748)

Образование входящия звезда




Вход и изход STAR

Много общи идеи, използвани в изкуствените невронни мрежи могат да бъдат проследени в работата на Grossberg; като пример е конфигурацията на входа и на изхода звезда [I], използван в много мрежови парадигми. Входно звезда, както е показано на фиг. В.1 състои от неврон, на който група входове чрез sinapsicheskie тегло. Изходна звезда, показана на фиг. В2, е неврон, теглата на контролната група. Входни и изходни звезди могат да бъдат свързани помежду си в мрежа от всякаква сложност; Grossberg ги вижда като модел за някои биологични функции. Вижте звезда определя неговото име, но звездите обикновено са показани в мрежата по различен начин.

Фиг. Б.2. Мрежа "Autstar" Grossberg

Входно звезда извършва разпознаване на изображения, т. Е. е обучен да отговори на конкретен вход вектор X и по всеки друг. Това обучение се осъществява посредством коригиране на теглата, така че те да отговарят на входния вектор. входящия Добив звезда се определя като претеглена сума от нейните входове, както е описано в предишните раздели. От друга гледна точка, на изхода може да се счита за навиване на входния вектор от вектор тегло, мярка на сходство на нормализираните вектори. Ето защо, на неврона трябва да реагира най-силно на входното изображение, който е бил обучен.

Процесът на обучение се изразява, както следва:

w и (т + 1) = w и (т) + за [х I - т и (т)],

където w I - W х вход I; х I - I-ти вход; а - обучение нормализиране фактор, който има начална стойност от 0,1 и постепенно намалява в хода на обучение.

След обучението, представянето на входния вектор X ще се активира обучен вход неврон. Това може да се разглежда като един цикъл на обучение, ако настрои на 1, но в този случай се елиминира възможността да се правят обобщения за въвеждане на звездата. Добре обучени пред звезда ще реагира не само на определена единица вектор, но също така и с незначителни изменения на вектора. Това се постига чрез постепенно коригиране на невронни тегла при представяне по време на трениращите вектори, представляващи нормално промяната на входния вектор. Теглата се регулира така, че средната стойност на трениращи вектори, и невроните са в състояние да отговорят на всеки вектор от този клас.