Многослойная нейронная сеть

Cтраница 2

С помощью модуля NetMaker имеется возможность создания собственных многослойных нейронных сетей. При этом можно только задавать количество слоев, количество нейронов в слоях и функции активации нейронов. По заданным параметрам нейропакет генерирует полносвязную нейронную сеть прямого распространения, структуру которой изменить невозможно. [16]

В главе 2 представлены основные структуры одно и многослойных нейронных сетей и алгоритмы их обучения. В первой части описывается перцептрон и системы типа Адалайн. Далее приводятся два алгоритма обучения многослойных нейронных сетей: классический и наиболее часто применяемый алгоритм обратного распространения ошибки, а также значительно более быстрый алгоритм, основанный на рекуррентном методе наименьших квадратов. [17]

Текущий выходной сигнал определяется в соответствии с традиционной схемой функционирования многослойной нейронной сети. [18]

Для выделения сигнала с максимальным значением из некоторого множества сигналов может быть использована многослойная нейронная сеть с последовательными связями. [19]

Излагаются основы теории и методы синтеза систем управления нелинейными динамическими объектами на основе обучаемых многослойных нейронных сетей. Значительное место уделяется свойствам нелинейных многослойных нейросетей и алгоритмам их обучения в реальном времени, что важно для реализации нейрооетевых систем управления. Приводится ряд примеров нейросетевых систем и результаты их компьютерного моделирования. [20]

Это итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода многослойных нейронных сетей. [21]

Эта операция представляет собой математическое отображение над степенями принадлежности в качестве аргументов, поэтому она может быть реализована в виде многослойной нейронной сети. [22]

Алгоритм обратного распространения ошибки - это итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущих от требуемых выходов многослойных нейронных сетей с последовательными связями. [23]

Проблема идентификации нелинейных динамических систем связана с чрезвычайной трудностью выбора структуры модели. Способность многослойных нейронных сетей моделировать произвольные нелинейные непрерывные функции в результате обучения на множестве примеров позволяет эффективно решать данную проблему. [24]

Однако он может считаться универсальным нейропакетом. В нем реализована только многослойная нейронная сеть прямого распространения, обучаемая с помощью модифицированного алгоритма обратного распространения ошибки. В пакет введена возможность работы с входными сигналами как с функциями времени, а не дискретным набором точек. Такой возможностью помимо Process Advisor обладает только NeuroSolutions. Кроме того, нейропакет Process Advisor позволяет осуществлять управление внешними аппаратными контроллерами, подключаемыми к компьютеру. Именно эти две особенности делают нейропакет Process Advisor примечательным. [25]

В качестве тестовой рассмотрена задача прогнозирования многомерного временного ряда. В качестве архитектуры взята многослойная нейронная сеть с различными критериями и алгоритмами обучения. [26]

Результаты оптимизации средств обеспечения надежности объединения ЭЭС. [27]

В настоящем разделе предложен подход к решению задач оценки и обеспечения надежности ЭЭС при управлении их развитием, базирующийся на применении искусственных нейронных сетей. Подход основан на способности многослойной нейронной сети формировать в явном виде зависимость показателей надежности ЭЭС объединения от резервов генерирующих мощностей ЭЭС и пропускной способности МСС. На основе нейросетевой реализации модели оценки показателей надежности разработан метод определения оптимальных величин средств обеспечения надежности. Это позволяет резко сократить затраты времени по сравнению с традиционными подходами, основанными на многократном решении оценочных задач надежности. [28]

Определение количества и размера скрытых слоев. Размерность входного сигнала и число нейронов выходного слоя в многослойных нейронных сетях определяются заданной обучающей выборкой. Определение числа нейронов в скрытых слоях представляет из себя нетривиальную задачу. В настоящий момент не разработано исчерпывающей и однозначной методики для определения количества скрытых слоев и количества нейронов в них. Согласно исследованиям, для задач, которые используют многослойные нейронные сети с алгоритмом обучения обратного распространения ошибки, достаточно не более двух скрытых слоев. При включении в сеть третьего слоя резко возрастает время обучения, а сходимость обучения - падает. В большинстве случаев достаточно одного скрытого слоя, и лишь при полностью тупиковой ситуации, в сеть может быть добавлен еще один слой. При этом результаты предыдущего обучения разрушаются. [29]

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. [30]

Страницы: 1 2 3