Cтраница 2
Если таких входных векторов несколько, то берется любой. При первом обращении к way массивы риз нулевые. [16]
Хеммингу между входным вектором S, и эталонным вектором Sf; Яп - порог второго этапа распознавания; / - величина, характеризующая различимость стандартных классов ситуаций; т ( - величина, определяемая исходя из своевременности выдачи рекомендаций о стандартной ситуации. [17]
С каждым приложенным первичным входным вектором Анализатор, естественно, производит отделение класса неисправных машин в соответствии с выходными векторами. Мы могли бы продолжать имитацию выполнения команд CSX-1 до тех пор, пока не будут отделены все различимые машины. Заметим, что здесь мы сначала выбираем последовательность тестов и затем просим Анализатора перечислить обнаруженные неисправности. Этот подход использован также в основных программах и является противоположностью процедурам, подобным d - алгоритму, где тест генерируется для конкретной неисправности. [18]
Слой Кохонена классифицирует входные векторы в группы схожих. [19]
Слой Кохонена классифицирует входные векторы в группы схожих. Это достигается с помощью такой подстройки весов слоя Кохонена, что близкие входные векторы активируют один и тот же нейрон данного слоя. Затем задачей слоя Гроссберга является получение требуемых выходов. [20]
Это позволяет разделять входные векторы и окончательно приписывает им их истинные значения. Весовые векторы отслеживают один или небольшую группу входных векторов и в конце обучения дают требуемую картину выходов. Метод выпуклой комбинации хорошо работает, но замедляет процесс обучения, так как весовые векторы подстраиваются к изменяющейся цели. Другой подход состоит в добавлении шума к входным векторам. Тем самым они подвергаются случайным изменениям, схватывая в конце концов весовой вектор. Этот метод также работоспособен, но еще более медленен, чем метод выпуклой комбинации. [21]
Если очередной поступивший входной вектор принадлежит уже ранее встречавшейся области С и попадает в поле влияния другого нейрона, то возможны два варианта в зависимости от типа строящейся нейросети. При построении полной вероятностной нейронной сети ( PNN) выполняется формирование соответствующего нейрона второго уровня. При построении сокращенной вероятностной нейронной сети новый нейрон не формируется, а увеличивается на единицу значение счетчика представительности Kj нейрона j, в поле влияния которого попал входной вектор. Заметим, что при подсчете условных вероятностей вместо учета вклада двух нейронов будет учтен двойной вклад одного нейрона. Полные вероятностные нейронные сети точнее сохраняют свойства обучающего множества Z, но требуют больших ресурсов. [22]
В ходе обучения входные векторы последовательно подаются на входы сети, и весовые векторы Wk изменяются таким образом, чтобы сходные векторы активизировали соответствующие нейроны слоя распознавания. [23]
Если очередной поступивший входной вектор X попадает в поле влияния нейрона иной области, нежели область, которой принадлежит вектор X, то формируется нейрон, соответствующий поступившему вектору. [24]
Слой сравнения получает двоичный входной вектор X и первоначально пропускает его неизмененным для формирования выходного вектора С. На более поздней фазе в распознающем слое вырабатывается двоичный вектор R, модифицирующий вектор С, как описано ниже. [25]
При увеличении размерности входного вектора ( Р ( Х) К) для поиска несвязных сомножителей ( 7, удовлетворяющих ограничениям Р ( Х) К, для описания ситуаций нарушения детерминированности вводится понятие зависимости пары внутренних состояний от входной переменной и существенной зависимости переменных автомата. [26]
Алгоритм понижения размерности входного вектора представляет собой итерационную процедуру, на каждом шаге которой от вектора X отщепляется одна компонента. Этому соответствует порождение нового частичного графа переходов за счет объединения пар внутренних состояний, зависящих от переменной, которая приписана отщепляемой компоненте. Процедура выполняется до тех пор, пока ни для одного из графов, полученных на предыдущем шаге, не найдется ни одной зависимой переменной. В результате образуется некоторое семейство частичных графов переходов, у каждого из которых понизить размерность входного вектора без нарушения детерминированности невозможно. Если среди оставшихся графов не найдется ни одного с размерностью входного вектора меньше К, то исходная декомпозиция невозможна. [27]
В начальный момент времени входной вектор отсутствует на входе сети; следовательно, все компоненты входного вектора X можно рассматривать как нулевые. Тем самым сигнал G2 устанавливается в 0 и, следовательно, в нуль устанавливаются выходы всех нейронов слоя распознавания. Поскольку все нейроны слоя распознавания начинают работу в одинаковом состоянии, они имеют равные шансы выиграть в последующей конкуренции. [28]
После обучения слой распределяет входные векторы среди своих нейронов. [29]
Архитектура сети такова: 17-мерный входной вектор, один скрытый слой из 9 элементов, и все эти узлы имеют непосредственные соединения с двумя бинарными элементами выходного слоя. В табл. 6.9 приведены репрезентативные результаты классификации и влияния отдельных переменных. [30]