Входной слой

Cтраница 2

Проникновение солнечного ветра внутрь магнитосферы может происходить через пограничные слои, располагающиеся на дневной ( входной слой) и ночной ( плазменная мантия и плазменный слой) сторонах магнитосферы. Проникновение происходит вдоль пересоединившихся магнитных силовых линий. Пересоединение межпланетного магнитного поля плазмы солнечного ветра и геомагнитного поля носит импульсный характер и может происходить на магнитопаузе и в геомагнитном хвосте в ограниченных по размеру ( Яф) областях. Область на дневной стороне, где происходит пересоединение, определяется знаком северо-южной компоненты межпланетного магнитного поля Bz. При Bz О пересоединение происходит в плазменной мантии в области каспа, при Bz О магнитные поля пересоединяются во входном слое в области подсолнечной точки, где они антипараллельны. Пересоединившиеся силовые линии переносятся солнечным ветром с дневной стороны магнитосферы на ночную, образуя геомагнитный хвост. Такой перенос происходит также и в результате вязкого трения при обтекании магнитосферы солнечным ветром. [16]

С точки зрения формализма нейронных сетей это правило можно рассматривать как сеть с заданными весами, которая принимает во входной слой последние L значений цены, имеет два линейных элемента в скрытом слое, которые вычисляют скользящие средние, и один пороговый выходной элемент, выдающий указание на торговлю. [17]

Поскольку такая нейронная сеть является однопроходной, время, затрачиваемое на обработку данных в персептроне, определяется скоростью распространения информации от входного слоя к ее выходному слою и временем, необходимым для срабатывания отдельных нейронов. [18]

Теорема Хехт-Нильсена доказывает представимость функции многих переменных достаточно общего вида с помощью двухслойной нейронной сети с прямыми полными связями с л нейронами входного слоя, ( 2п 1) нейронами скрытого слоя с заранее известными ограниченными функциями активации ( например, сиг-моидальными) и т нейронами выходного слоя с неизвестными функциями активации. [19]

Цель обучения репликативной нейронной сети состоит в том, чтобы вектор, воспроизводимый выходным слоем сети, совпадал с вектором, поданным на входной слой. Передаточная функция нейронов выходного слоя выбирается линейной. Утверждается, что обученная репликативная нейронная сеть строит в среднем скрытом слое представление исходных векторов в естественных координатах. Дальнейшая передача информации по сети от среднего скрытого слоя к выходному дает обратное отображение: вектор в естественных координатах переходит в п-мерный вектор, расположенный близко к входному. [20]

Внешняя структура нейросетевой модели полностью определяется регрессором и набором параметров, значение которых необходимо прогнозировать, т.е. число входов ( число нейронов во входном слое МНС) определяется количеством элементов регрессора, число выходов ( число нейронов в выходном слое) определяется количеством прогнозируемых величин. [21]

Распределение температур в слое катализатора реактора гидроочистки нефтепродукта в зависимости от входных условий. [22]

Из опыта эксплуатации промышленных установок переработки нефти известно, что в ряде случаев наблюдается интенсивное отложение продуктов коррозии металлов, мехпримесеи и солей во входном слое катализатора, в результате чего образуется уплотненная корка и резко повышается гидравлическое сопротивление слоя. Наличие корки обусловливает появление пространственных неоднородностей потока паров в слое и снижение эффективности процесса независимо от типа распределительного устройства над слоем катализатора. [23]

Овал П, с; 2 и 4 проектируется на низкоширотную ( главную, центральную) часть плазменного слоя на ночной стороне Земли и на входной слой вблизи границы магнитосферы на дневной стороне. [24]

Разработана программа, которая основывается на нейронно-сетевом методе и использует алгоритм обратного распространения ошибки ( back propagation), при котором сигнал ошибки на выходе нейронной сети распространяется в обратном направлении: от нейронов выходного слоя к нейронам входного слоя с последующей корректировкой синаптических весов нейронной сети для достижения минимальной выходной погрешности. Таким образом, подавая на вход совокупность из ложных и истинных сигналов, путем обработки их с помощью алгоритма обратного распространения, мы получаем на выходе только истинные. Программа реализована на языке программирования Delphy, имеет удобный графический интерфейс и позволяет подавать данные на входной слой нейронов через клавиатуру. [25]

Существует путаница с подсчетом количества слоев в сети. Входной слой не выполняет никаких вычислений, а лишь распределяет входные сигналы, поэтому иногда его считают, иногда - нет. Обозначим через NL полное количество слоев в сети, считая входной. [26]

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. [27]

Алгоритм решения задачи следует из оригинальной схемы Кохонена, в которую вносятся лишь небольшие изменения. Каждый нейрон входного слоя связан с каждым выходным нейроном. Все связи вначале инициируются случайными значениями. Для каждого города входной 3-мерный вектор формируется из двух его координат на плоскости, а третья компонента вектора представляет из себя нормирующий параметр, вычисляемый так, чтобы все входные вектора имели одинаковую Евклидову длину и никакие два вектора не были бы коллинеарны. [28]

Области связей когнитрона. [29]

Эффективность процесса обучения оценивалась путем запуска сети в реверсивном режиме; выходные образы, являющиеся реакцией сети, подавались на выходные нейроны и распространялись обратно к входному слою. Образы, полученные во входном слое, затем сравнивались с исходным входным образом. [30]

Страницы: 1 2 3 4 5