Правило - обучение
Cтраница 1
 |
Сжатие информации линейным нейроном. [1] |
Правило обучения отдельного нейрона-индикатора no - необходимости локально, т.е. базируется только на информации непосредственно доступной самому нейрону - значениях его входов и выхода. Это правило, носящее имя канадского ученого Хебба, играет фундаментальную роль в нейрокомпьютинге; ибо содержит как в зародыше основные свойства самоорганизации нейронных сетей. [2]
Уидроу-Хоффа правило обучения - правило обучения сети с одним скрытым слоем. Оно является предшественником алгоритма обратного распространения ошибки и на него иногда ссылаются как на дельта-правило. Как известно, персептрон ограничивается бинарными выходами. [3]
Представляет собой стохастическое правило обучения, которое следует из информационных и термодинамических принципов. Целью обучения Больцмана является такая настройка весовых коэффициентов, при которой состояния видимых нейронов удовлетворяют желаемому распределению вероятностей. [4]
Кохонена - правило обучения, согласно которому веса нейронов выбираются в соответствии с элементами входного вектора. [5]
 |
Автоассоциативная сеть с узким горлом - аналог правила обучения Ойа. [6] |
В нашей трактовке правила обучения отдельного нейрона, последний пытается воспроизвести значения своих входов по амплитуде своего выхода. Обобщая это наблюдение, логично было бы предложить правило, по которому значения входов восстанавливаются по всей выходой информации. [7]
Правило Больцмана является стохастическим правилом обучения, обусловленным аналогией с термодинамическими принципами. В результате его выполнения осуществляется настройка весовых коэффициентов нейронов в соответствии с требуемым распределением вероятностей. Обучение правилу Больцмана может рассматриваться как отдельный случай коррекции по ошибке, в котором под ошибкой понимается расхождение корреляций состояний в двух режимах. [8]
Уидроу-Хоффа правило обучения - правило обучения сети с одним скрытым слоем. Оно является предшественником алгоритма обратного распространения ошибки и на него иногда ссылаются как на дельта-правило. Как известно, персептрон ограничивается бинарными выходами. [9]
Опыт преподавания зафиксирован в четырех древних правилах обучения. Эти правила, созданные эмпирическим путем, могли стать научно обоснованными сравнительно недавно. [10]
Расчет значения приспособленности каждой особи ( закодированного правила обучения) на основе полученной на шаге 2 оценки каждой нейронной сети, что представляет собой своеобразный вид взвешенного усреднения. [11]
Прежде всего следует отметить, что описание работы наблюдателя правилом обучения существенно изменяет традиционные представления о ценности для наблюдателя той или иной сообщаемой ему информации. В частности, знание наблюдателем величин премии и штрафа за соответственно правильный и неправильный ответ бесполезно для его деятельности. Действительно ценной для наблюдателя оказывается такая информация, которай дает ему прямое или косвенное представление об оптимальности с точки зрения экспериментатора выбранной наблюдателем опорной пропорции. Таким образом, под полнотой и неполнотой информации в рамках модели обучаемого наблюдателя мы понимаем наличие или отсутствие у наблюдателя знания о предполагаемой пропорции соответствующих стимулов в экспериментальной серии. Объективная правильность или ложность этого знания в известных пределах не имеет значения для наблюдателя; важно лишь, чтобы выбранная наблюдателем опорная пропорция была тем или иным способом подкреплена экспериментатором. Именно этим определяется полнота информации об экспериментальных усл: иях. [12]
 |
Типы активационных функций нейронов. [13] |
Хебб [8], изучая клеточные механизмы деятельности мозга, сформулировал правило обучения, которое увеличивает силу связи между пре - и постеинаптическим нейронами, если активность обоих совпадает во времени. [14]
 |
Пример непосредственного кодирования матрицы связей для нейронной сети. [15] |
Страницы: 1 2