Входной слой

Cтраница 3

Свыше 80 % всех приложений нейронных сетей относится к так называемым многослойным сетям без обратных связей. В них сигнал пересылается в направлении от входного слоя через скрытые слои ( если они имеются) к выходному слою. Сети именно такого типа будут рассматриваться в последующих главах книги в контексте генетических алгоритмов и нечетких систем. Поэтому в настоящей главе мы обсудим в первую очередь базовые элементы многослойных нейронных сетей - персептрон и системы типа Адалайн ( с линейным и нелинейным выходом), после чего определим два алгоритма обучения этих сетей: алгоритм обратного распространения ошибки и рекуррентный алгоритм метода наименьших квадратов. [31]

Двухслойная сеть обратного распространения ( s - желаемый сигнал. [32]

В литературе нет единообразия относительно того, как считать число слоев в таких сетях. Одни авторы используют число слоев нейронов ( включая несуммирующий входной слой), другие - число слоев весов. Так как последнее определение функционально описательное, то оно будет использоваться на протяжении книги. Согласно этому определению, сеть на рис. 3.3 рассматривается как двухслойная. Нейрон объединен с множеством весов, присоединенных к его входу. Таким образом, веса первого слоя оканчиваются на нейронах первого слоя. Вход распределительного слоя считается нулевым слоем. [33]

С этой точки зрения когнитрон организован подобно зрительной коре человека, представляющей собой трехмерную структуру, состоящую из нескольких различных слоев. Оказывается, что каждый слой мозга реализует различные уровни обобщения; входной слой чувствителен к простым образам, таким, как линии, и их ориентации в определенных областях визуальной области, в то время как реакция других слоев является более сложной, абстрактной и независимой от позиции образа. [34]

Сегодня все больше и больше участников рынка используют нейросети в своей повседневной деятельности. Входная информация ( многомерный информационный поток) подается на нейроны так называемого входного слоя. После прохождения через многослойную структуру выходная информация снимается с выходного слоя нейросети. При прохождении по сети мощность входных сигналов усиливается или ослабляется сетью, что определяется межнейронными связями. [35]

Зависимость количества отложений ванадия от температуры. / - 370 С. 2 - 398 С. Сырье - мазут арабской нефти.| Зависимость количества отложений ванадия от парциального давления водорода. [36]

Из данных табл. 3.10 и рис. 3.35, 336 видно, что уже после обработки катализатора фракцией дизельного топлива в течение 30 ч общий объем пор и распределение пор по радиусам претерпевая значительные изменения, которые прежде всего выражаются в уменьшении среднего радиуса микропор с 9 0 до 7 5 нм и их объема с 0 45 до 0 41 см / г. При переработке ДАО наиболее резкие изменения объема пор и распределения пор по радиусам происходят в течение первых 50 - 300 ч и зависят от места раположения катализатора по высоте слоя. Более резкие изменения в показателях поровой структуры наблюдаются у образцов, отобранных из входного слоя. Ьимодальность распределения пор по радиусам сохраняется и при длительной работе катализатора. [37]

Типы активационных функций нейронов. [38]

В своей самой простой версии многослойный перцептрон ( см. рис. 10) представляет собой сеть с одним входным, одним выходным и одним или более внутренними или, как говорят, скрытыми слоями нейронов. Общей чертой для всех многослойных перцептронов является прямонаправлен-ность сети, характеризующаяся передачей информации от входного слоя через К скрытых слоев к выходному слою. [39]

Сводка результатов для сетей различной конфигурации. [40]

Хотя недостаток степеней свободы делает оценку сомнительной, мы приводим здесь результаты работы 13 - 27 - 1 модели, чтобы проиллюстрировать доказанную Колмогоровым в 1957 г. и популяризованную Хехт-Нильсеном [137] теорему о существовании отображения. Эта теорема утверждает, что любая непрерывная функция может быть реализована трехслойной нейронной сетью, имеющей во входном слое т ( в нашем случае 13) элементов, промасштабированных на [0,1], ( 2т - 1 - 1) элементов-процессоров в единственном скрытом слое и п элементов в выходном слое. Таким образом, гарантируется, что иерархическая многослойная нейронная сеть может решить любую нелинейно отделимую задачу и может точно реализовать любое отображение га-мерных входных векторов в и-мерные выходные. При этом теорема ничего не говорит нам ни о возможности реализовать отображение посредством сети меньших размеров, ни о том, что для этого подойдут обычно используемые сигмоидные преобразования. [41]

Взаимосвязь простого нейрона со сложными нейронами из предыдущего слоя. [42]

При обучении с учителем требуемые значения выходов нейронов каждого слоя определяется заранее. Их веса настраиваются с использованием обычных процедур. Например, входной слой настраивался для распознавания отрезков линий в различных ориентациях. Последующие слои обучаются реагировать на более сложные свойства до тех пор, пока в выходном слое требуемый образ не будет выделен. [43]

Структура когнитрона. [44]

Когнитрон ( рис. 2.12) организован подобно зрительной коре мозга человека, состоящей нескольких слоев нейронов. Несмотря на то, что слои организованы однотипно, каждый из них, подобно отдельным слоям зрительной коры, реализует различные уровни обобщения. Например, если входной слой нейронов распознает лишь простые образы ( линии) и их ориентацию, то последующие слои способны к все более сложному обобщению, качество которого не зависит от положений распознаваемых образов. [45]

Страницы: 1 2 3 4 5