Cтраница 2
Выберем ширины окон активационных функций нейронов срытого слоя о -, у 1 / / достаточно большими, но так, чтобы они не накладывались друг на друга в пространстве входных сигналов сети. [16]
На рис. 3.3 сначала вычисляются выходы нейронов слоя у, затем они используются в качестве входов слоя &, вычисляются выходы нейронов слоя &, которые и образуют выходной вектор сети. [17]
Выходы слоя Кохонена подаются на входы нейронов слоя Гроссберга. Выходы нейронов вычисляются, как при обычном функционировании. Далее каждый вес корректируется лишь в том случае, если он соединен с нейроном Кохонена, имеющим ненулевой выход. Величина коррекции веса пропорциональна разности между весом и требуемым выходом нейрона Гроссберга. [18]
Единица с выхода k - ro возбужденного нейрона распознающего слоя подается на каждый / - и нейрон в слое сравнения со своим весом, устанавливая на входах z, нейронов слоя сравнения уровень либо нуля, либо единицы. [19]
На рис. 10.4 показано, что каждый нейрон слоя 2 получает латеральное торможение от нейронов, расположенных в его области конкуренции. [20]
Получив на шаге 5 величину EAf для нейронов слоя, предшествующего выходному ( например, второго слоя, если выходной - третий), мы оказались в точности в том же состоянии, как после шага 2 для нейронов выходного слоя. [21]
Выходы нейронов слоя Гроссберга также являются взвешенными суммами выходов нейронов слоя Кохонена. Однако каждый нейрон слоя Гроссберга выдает величину веса, который связывает этот нейрон с единственным нейроном Кохонена, чей выход отличен от нуля. [22]
В результате, сеть APT запоминает образы в весах нейронов слоя распознавания, один нейрон для каждой категории классификации. Нейрон слоя распознавания, веса которого наилучшим образом соответствуют входному вектору, возбуждается, его выход устанавливается в единичное значение, а выходы остальных нейронов этого слоя устанавливаются в нуль. [23]
БЕЦА КЛЕТКИ ( по имени В. А. Беца), гигантские, пирамидной формы нейроны ганглионарного слоя прецентральной извилины коры головного мозга у млекопитающих. Их аксоны формируют нисходящий пирамидный путь ( см. Пирамидная система) и, образуя синапсы на двигательных ( для соматич. [24]
Выходные сигналы нейронов слоя 1 распределяются на соответствующие моделям технологического оборудования входы нейронов слоя 2, умноженные на весовые коэффициенты связей Wj, которые равны количеству станков, необходимых для выполнения i-той операции, взятому с обратным знаком. [25]
До начала обучения случайным образом устанавливаются значения весовых векторов W /, нейронов слоя распознавания. [26]
Назначением нейронов слоя Гроссберга является формирование требуемых выходных векторов после того, как нейроны слоя Кохонена разделили входные векторы на классы. Фактически каждый нейрон слоя Гроссберга лишь выдает значение веса, который связывает этот нейрон с нейроном-победителем слоя Кохонена. [27]
Эта величина является критической; если она слишком большая, сеть может распределить все нейроны распознающего слоя одному входному вектору. [28]
Случайные изменения могут проводиться не только для отдельных весов, но и для всех нейронов слоя в многослойных сетях или даже для всех нейронов сети одновременно. [29]
Исходное состояние нейронов слоя 1 ( их выходные сигналы) задается случайным образом, выходы нейронов слоя 2 принимаются равными нулю. После запуска нейронная сеть выполняет вычисления, пока ее состояние не стабилизируется, причем количество циклов работы ( вычисление выходов нейронов сети и распределение их на входы по связям) не превышает количества вершин сетевого технологического графа. [30]