- •1) Визначення ваг для сітки Хопфілда
- •1) Навчання персептрона
- •2) Послідовність створення і реалізація нейро-фаззі-систем
- •1) Правило навчання штучної нейросітки за д.Хеббом.
- •1) Способи навчання нейроних сіток.
- •2) Навчання в нейро-фаззі-системах
- •1) Прямоспрямовані нейронні сітки
- •1) Структура і математичний опис штучного нейрону та нейросітки.
2) Навчання в нейро-фаззі-системах
На прикладі властивості ТІЛЬКИ — ЧИ (Exclusiv-Oder) цифрових схем,буде
далі пояснена застосовувана процедура. Для початку навчання потрібно наявність
двох предметів: "порожньої" фаззі-системи, що представляє вихідну структуру
навчальної системи, а також прикладів, по яких проводиться тренування.
П риклади тренування для алгоритму ТІЛЬКИ — ЧИ
|
Рис. 5.10. Можливі комбінації вхідних сигналів для цифрового рішення ВИКЛЮЧЕННЯ, ЧИ при тренуванні фаззі системи |
Оскільки на даному прикладі фаззі-система повинна вивчити спосіб поводження
ВИКЛЮЧЕННЯ — ЧИ, доцільно можливі варіанти сполучень у цьому співвідношенні
застосовувати як дані тренування. Якщо розраховувати ТІЛЬКИ — ЧИ по двох
входах х, в і одному виходу z то можливі 4 комбінації (рис. 5.10.). Щоб вивчити
цей зміст, необхідно задати "порожню" фаззі-систему, у якій поки відсутні
правила. Лінгвістичні змінні вхідних і вихідних величин ідентичні двом елементам
"вірно" і "не вірно", а безліч правил охоплює безліч усіх можливих правил. Тому що
ваги правил тут дорівнюють нулю, усі правила не діють і база правил є "порожня".
Д ля супроводу розпорядження по навчанню можливі різні підходи. Одним з них
може бути пасивне спостереження того, при яких
прикладах які модифікації
правил відбудуться в нейро-фаззі-системі. Цим
підходом з'явиться безпосереднє спостереження
співвідношень вхід-вихід по характеристичному полю.
На рис. 5.11.. показане характеристичне поле "порожньої" фаззі-системи.
Після закінчення навчання фаззі-система цілком готова до відтворення чотирьох
прикладів і вона здатна виконати апроксимацію у всьому діапазоні. Персональний
комп'ютер РС-486 на описаний процес навчання затратить приблизно 0,1 с
обчислювального часу. Звичайно, для більш великої системи час обчислень
часто виявляється значно великим.
Вивчення чотирьох комплектів тренувальних даних у прикладі "des Exklusiv-Oder
" виконується з залишковою помилкою, рівної нулю. Це означає, що в даному
найпростішому випадку по закінченні навчання всі приклади будуть оброблені
фаззі-системою безпомилково.
На практиці ситуація найчастіше виглядає складніше. Потрібна наявність
досвіду тренування нейро-фаззі-систем. Істотною проблемою при застосуванні
цієї технології є якість наявних комплектів даних. До тому ж практично дуже
важко заздалегідь оцінити чи досить вивчене необхідне поводження фаззі-системи
на підставі наявних комплектів даних, використаних у прикладах для навчання.
Білет20
1) Прямоспрямовані нейронні сітки
Розрізняють два основних типи сіток: сітки зі зворотним зв'язком, у яких вихідний
сигнал подається назад на вхід сітки, і сітки, у яких для кожного вхідного вектора
розраховується вихідний вектор, що зчитується з вихідних нейронів.
Тут відсутні зворотні зв'язки й у цьому сенсі має місце
прямоспрямований потік інформації. Сітки з такою структурою називають також
"feed forward Networks" чи "hetero assoziative Networks". Нижче будуть розглянуті в
першу чергу сітки без зворотних зв'язків.
Розглянуті вище одношарові сітки можуть описуватися в матричній формі
,
де ; і — вхідний і вихідний вектори; f— активаційна функція.
2) Динамічні архітектури нейронних сіток
Вище було показано, що статичні архітектури ІНС здатні апроксимувати великомірні,
нелінійні статичні функції. Ідентифікація динамічних систем, навпаки, вимагає моделі з
елементами запам'ятовування. Тому статичні прямонаправленні сітки повинні розширюватися
динамічними структурами.
Однієї з можливостей динамічного розширення є додавання зовнішніх фільтрів, що реалізують
динамічну модель поза сіткою. До таких сіток із зовнішньою динамікою відносяться (рис. 4.16):
• нелінійні моделі зі зворотним зв'язком з виходу (NDE/NARX);
• нелінійні моделі з кінцевою імпульсною відповіддю (NFIR);
• нелінійні ортогональні моделі базисних функцій (NOBF).
Зазначені три варіанти розрізняються тим, що реалізуються відповідними зовнішніми фільтрами.
На відміну від цього, включення елементів запізнювання і рекурентних зв'язків у саму
структуру сітки приводить до неміцних моделей із внутрішньою динамікою. Для сіток із
внутрішніми динамічними елементами можна виділити три класи архитектур (рис. 4.15):
• цілком зрощена структура (1);
• частково рекурентні сітки (2);
• локально рекуррентні глобальні прямонаправлені сітки
• (LRGF — Lokal Rekurrente Global Feedforward Netze).
|
|
Рис. 4.15. Огляд динамічних ІНС |
Рис.4.16. ІНС із зовнішньою динамікою |
Хопфілд-моделі і інші рекурсивні сітки також характеризуються динамічними режимами роботи,
однак представляє цікавість тільки їхня збіжність до стійкого стану і показність. Враховуючи це
обмеження по динаміці, типи даних сіток за способом їх роботи є статичними.
Білет21