Нейронная сеть

Cтраница 1

Нейронная сеть Хопфилда, по-видимому, является сейчас наиболее популярной математической моделью в нейронауке. Это обусловлено ее простотой и наглядностью. Кроме того, она оказалась близка по своему математическому описанию к объекту, детально исследовавшемуся в статистической физике - модели спиновых стекол. [1]

Задача распознавания рукописных букв в терминах нейронной сети. [2]

Нейронная сеть строится в два этапа. [3]

Нейронная сеть - это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений. [4]

Нейронная сеть имеет 2 входа, 2 нейрона в скрытом слое и 1 выход. [5]

Нейронная сеть имеет 4 входа, 2 нейрона в скрытом слое и 4 нейрона в выходном слое. [6]

Нейронная сеть ( см. рис. 4.2) с такими весами демонстрирует симметрию, характерную для системы XOR. При повторном запуске программы с той же самой размерностью популяции и такими же показателями скрещивания и мутации, скорее всего, будет найдено наилучшее решение, содержащее иной оптимальный набор весов. [7]

Нейронная сеть с весами, показанными на рис. 4.166, была обучена с толерантностью погрешности 0 1 за 399 прогонов алгоритма программы BrainMaker. Результаты тестирования сформированной сети представлены на рис. 4.176 - 4.178. Для входов 1 1 и tv2 0 решение приведено на рис. 4.174. Сеть может считаться обученной, поскольку в ходе тестирования не зарегистрированы ошибочные отклики. Графики и значения весов на момент изменения уровня показаны на рис. 4.181 и 4.182 соответственно. После увеличения значения толерантности выполнение программы очень быстро - после 402 прогонов - завершилось. [8]

Нейронная сеть Хопфилда реализует существенное свойство автоассоциативной памяти - восстановление по искаженному ( зашумленному) образу ближайшего к нему эталонного. В этом случае входной вектор используется как начальное состояние сети, и далее сеть эволюционирует согласно своей динамике. Причем любой пример, находящийся в области притяжения хранимого образца, может быть использован как указатель для его восстановления. Выходной ( восстановленный) образец устанавливается, когда сеть достигает равновесия. [9]

Нейронная сеть может одновременно решать несколько задач прогнозирования; для каждого из выходных сигналов могут быть установлены свои требования к точности прогнозирования. [10]

Нейронная сеть считается устойчивой, если после конечного числа итераций обучения ни один из примеров обучающей выборки не изменяет своей принадлежности в кластерах. Однако сеть не перестанет обучаться, если параметр скорости обучения не равен нулю. Но эта искусственная остановка обучения вызывает другую проблему, называемую пластичностью и связанную со способностью сети к адаптации к новым данным. Возникает дилемма стабильности-пластичности Гроссберга. [11]

Нейронная сеть функционирует параллельно с экспертной системой, которая поначалу полностью задействована и ответственна за управление. С течением времени, нейронная сеть обучается от экспертной системы и перехватывает управление, обеспечивая более высокое качество. Эта гибридная система предназначена для использования в исследованиях других планет. Экспертная система обеспечивает робастность функционирования, а нейронная сеть - тонкую настройку на специфические условия планеты, которые заранее с достаточной точностью неизвестны. Если произойдут их резкие изменения, то система вновь передает управление экспертной системе и процесс обучения начинается заново. [12]

Нейронная сеть сталкивается с точно такой же трудностью. Сети с большим числом весов моделируют более сложные функции и, следовательно, склонны к переобучению. Сеть же с небольшим числом весов может оказаться недостаточно гибкой, чтобы смоделировать имеющуюся зависимость. [13]

Нейронная сеть вполне успешно улавливает и внутреннюю динамику, и корреляцию между национальными и основными глобальными рынками. Ввиду коротких сроков прогноза волатильность обменных курсов, по-видимому, существенно не сказывается на точности прогнозов: RMSE примерно одинакова для долларового варианта и для местной валюты. Это подтверждает оправданность использования сетью обоих временных рядов. [14]

Нейронная сеть изменяется как в ходе эволюции, так и в индивидуальном процессе обучения. Геном агента содержит весовые коэффициенты синапсов блока оценки действий и начальные веса синапсов блока поведения. Эти весовые коэффициенты изменяются в ходе эволюции. В частности, изменение весов синапсов блока поведения как раз характеризует обучение, которое происходит под контролем блока оценки поведения. Веса синапсов блока оценки не меняются в течение жизни агента. Блок оценки играет роль учителя для блока поведения, причем сам учитель оптимизируется в процессе эволюции. [15]

Страницы: 1 2 3 4