Многослойная нейронная сеть

Cтраница 1

Многослойная нейронная сеть может быть формально определена как совокупность простых обрабатывающих элементов, называемых нейронами, организованных по слоям и объединенных однонаправленными связями, называемыми синапсами. Различают входной слой, на который поступает сигнал, выходной слой, формирующий отклик, и один или несколько промежуточных слоев, называемых скрытыми. Сеть принимает некоторый входной сигнал и пропускает его через себя с преобразованиями в каждом нейроне. Таким образом, в процессе прохождения сигнала по связям сети происходит его обработка, результатом которой является определенный выходной сигнал. В укрупненном виде МНС выполняет функциональное соответствие между входом и выходом. В ряде работ доказана теорема полноты для функций, вычисляемых нейронными сетями. [1]

Реализована только многослойная нейронная сеть, обучаемая с помощью модифицированного алгоритма обратного распространения. Нейропакет позволяет работать с динамическими функциями времени, поступающими в качестве входных сигналов. Оценка обусловлена тем, что многослойная нейронная сеть представляет собой половину всех используемых нейронных парадигм. [2]

В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. [3]

В многослойных нейронных сетях оптимальные выходные значения нейронов всех слоев, кроме последнего, как правило, неизвестны. Трех - или более слойный персептрон уже невозможно обучить, руководствуясь только величинами ошибок на выходах сети. [4]

Кроме рассмотренных выше многослойных нейронных сетей, обучаемых по алгоритму обратного распространения ошибки, известно много разновидностей специфических нейронных сетей, реализующих различные свойства биологических систем и, прежде всего, свойства ассоциативной памяти. [5]

Многослойная нейронная сеть. [6]

На рис. 2.11. представлена многослойная нейронная сеть, состоящая из L слоев. [7]

Для того, чтобы многослойная нейронная сеть реализовывала заданное обучающей выборкой отображение, она должна иметь достаточное число нейронов в скрытых слоях. [8]

Пакет предназначен для построения многослойных нейронных сетей с алгоритмом обучения обратного распространения ошибки. Он включает в себя программу подготовки и анализа исходных данных NetMaker, программу построения, обучения и запуска нейронных сетей BrainMaker, а также набор утилит широкого назначения. [9]

Он используется для обучения многослойных нейронных сетей с последовательными связями. Нейроны в таких сетях делятся на группы с общим входным сигналом - слои. На каждый нейрон первого слоя подаются все элементы внешнего входного сигнала. Нейроны выполняют взвешенное суммирование входных сигналов. К сумме элементов входных сигналов, помноженных на соответствующие синаптические веса, прибавляется смещение нейрона. [10]

В свою очередь, среди многослойных нейронных сетей выделяют следующие типы. [11]

Когда каждый нейрон входного слоя многослойной нейронной сети связан с каждым нейроном выходного слоя, такая вычислительная сеть называется полной. [12]

Реализована только одна нейронная парадигма - многослойная нейронная сеть и только один алгоритм ее обучения - метод обратного распространения ошибки. Лишний балл добавлен за большое количество параметров настройки алгоритма обучения. [13]

Рассмотрим возможность использования в процедуре обучения многослойной нейронной сети одного из методов эвристической оптимизации - генетического алгоритма, моделирующего процессы природной эволюции и относящегося к так называемым эволюционным методам поиска. [14]

Гибридная нейронная сеть формально по структуре идентична многослойной нейронной сети с обучением, например, по алгоритму обратного распространения ошибки, но скрытые слои в ней соответствуют этапам функционирования нечеткой системы. [15]

Страницы: 1 2 3