Выходной вектор

Cтраница 2

Каждый такой цикл вызывает уточнение выходных векторов слоя 1 и 2 до тех пор, пока не будет достигнута точка стабильности в сети. Эта точка может быть рассмотрена как резонансная, так как вектор передается обратно и вперед между слоями сети, всегда обрабатывая текущие выходные сигналы, но больше не изменяя их. Состояние нейронов представляет собой кратковременную память ( КП), так как оно может быстро изменяться при появлении другого входного вектора. Значения коэффициентов весовой матрицы образуют долговременную память и могут изменяться только на более длительном отрезке времени, используя представленные ниже в данном разделе методы. [16]

Начиная этот алгоритм различными рядами начальных выходных векторов ( Xjt ( O) и каждый раз выполняя оптимизацию, описанную алгоритмом К средних, можно найти глобальный оптимум. Однако вычислительные затраты этой поисковой процедуры могут ограничить поиск немногими инициализациями. [17]

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. [18]

Ум и отличаются от истинных значений выходного вектора Y. Точность же совпадения значений этих векторов определяется качеством обучения нейронной сети. [19]

J - 1) ] является выходным вектором вероятностей, на котором достигается пропускная способность канала. [20]

При существенном отличии векторов X и Z выходной вектор Y будет содержать много нулей в компонентах, где вектор X содержит единицы. Это означает, что установленный вектор Z не является искомым, и возбужденный нейрон в слое распознавания должен быть заторможен схемой определения сходства векторов. Процедура торможения заключается в установке в нуль выхода возбужденного нейрона в процессе текущей классификации. [21]

Вырожденные задачи возникают, когда часть компонент выходного вектора измеряются точно или когда шум наблюдения является цветным и матрица интенсивности преобразованного шума наблюдения является вырожденной. Если задача оценивания является вырожденной, то приведенные выше оптимальные фильтры использовать нельзя. Если шумы являются цветными, то, согласно описанным выше процедурам, исходная задача может быть преобразована в задачу с белыми шумами. [22]

При этом в каждом цикле происходит уточнение выходного вектора. Процесс повторяется до достижения устойчивого состояния сети, при котором векторXи Уне изменяются. [23]

Входные сигналы распространяются по сети, порождая некоторый выходной вектор. Для работы алгоритма требуется, чтобы характеристика вход-выход нейроподобных элементов была неубывающей и имела ограниченную производную. Обычно для этого используют сигмоидальные функции. Если они совпадают, то весовые коэффициенты связей не изменяются. В противном случае вычисляется разница между фактическими и требуемыми выходными значениями, которая передается последовательно от выходного слоя к входному. На основе этой информации проводится модификация связей в соответствии с обобщенным дельта-правилом, которое имеет вид: & pWji T 8jpyip, где изменение в силе связи Wj, для / ьй обучающей пары ApWjj пропорционально произведению сигнала ошибки у - го нейрона 8Jp, получающего входной сигнал по этой связи, и выходного сигнала / - го нейрона, посылающего сигнал по этой связи. Определение сигнала ошибки является рекурсивным процессом, который начинается с выходных блоков. Для выходного блока сигнал ошибки 6 i, y j ( Tjp - Rjp), где Tjp и Rjp - соответственно желаемое и действительное значения выходного сигнала у - го блока; yj - производная от выходного сигнала у - го блока. [24]

Входные сигналы распространяются по сети, порождая некоторый выходной вектор. Для работы алгоритма требуется, чтобы характеристика вход-выход нейроподобных элементов была неубывающей и имела ограниченную производную. Обычно для этого используют сигмоидальные функции. Если они совпадают, то весовые коэффициенты связей не изменяются. В противном случае вычисляется разница между фактическими и требуемыми выходными значениями, которая передается последовательно от выходного слоя к входному. На основе этой информации проводится модификация связей в соответствии с обобщенным дельта-правилом, которое имеет вид: ApWji Л / рУф где изменение в силе связи wjf для р-тл обучающей пары ApWjj пропорционально произведению сигнала ошибки У-ГО нейрона 6, получающего входной сигнал по этой связи, и выходного сигнала / - го нейрона, посылающего сигнал по этой связи. Определение сигнала ошибки является рекурсивным процессом, который начинается с выходных блоков. Для выходного блока сигнал ошибки 8jp y j ( Tip - Rjp), где Tjp и Rjp - соответственно желаемое и действительное значения выходного сигнала у - го блока; у - - производная от выходного сигнала у - го блока. [25]

Для многозначной таблицы переходов, когда у одного выходного вектора несколько различных ( отличающихся) внутренних состояний, процедура восстановления аналогична. У многозначного К-ого столбца появятся несколько столбцов: К К К и так далее. У каждого из этих новых столбцов будет, возможно, своя пара из входного и выходного векторов, по которой при восстановлении они будут отличаться друг от друга. Может быть сразу не удастся обнаружить входной вектор, позволяющий различать все состояния К, К К К и так далее. Система различия состояний может быть более сложной. Например, входной вектор i позволяет отличать состояния К и К от других состояний, а после применения входного вектора i входной вектор i позволяет различать К и К, и так далее. [26]

Вектор, получаемый в шаге N3, является единственным выходным вектором, у которого k - я компонента отлична от нуля. [27]

Поскольку мы рассматривали автомат Мура, у которого каждому выходному вектору соответствует одно состояние, то двузначности ( многозначности) таблицы переходов в этом случае не было. Это значит, что всегда после любой пары, состоящей из входного и выходного вектора, следовал только один выходной вектор. [28]

Словарь неисправностей простого типа. [29]

Следовательно, О означает, что тест прошел ( все выходные векторы схемы идентичны выходным векторам исправной машины), и 1 означает, что тест не прошел. [30]

Страницы: 1 2 3 4