Научная литература
booksshare.net -> Добавить материал -> Биология -> Галушкин А.И. -> "Теория нейронных сетей" -> 103

Теория нейронных сетей - Галушкин А.И.

Галушкин А.И. Теория нейронных сетей — М.: ИПРЖР, 2000. — 416 c.
ISBN 5-93108-05-8
Скачать (прямая ссылка): teoriyaneyronnih2000.pdf
Предыдущая << 1 .. 97 98 99 100 101 102 < 103 > 104 105 106 107 108 109 .. 131 >> Следующая

3. Находим характеристические векторы каждой звезды, полученной на предыдущем этапе, и проверяем эти звезды на реализуемость на одном нейроне (любым из методов, изложенных в предыдущей главе).
4. Для каждой звезды, нереализуемой на одном нейроне, находим всевозможные подзвезды. При этом подзвезда определяется как реализуемое на одном нейроне подмножество звезды, которое не является подмножеством любой другой звезды.
5. Дополняем перечень простых импликантов реализуемыми на одном нейроне звездами и подзвездами, найденными в пп. 3, 4, и отмечаем наборы, покрываемые каждой записью этого списка.
6. Выбираем наименьшее число записей, покрывающих все единицы функции е(у). Линейные пороговые элементы, реализующие эти записи, составляют либо первый слой порогово-дизъюнктивной сети, либо каскадную сеть f 13.5J, эквивалентную данной порогово-дизъюнктивной сети.
Метод нахождения подзвезд заключается в следующем:
1. Определяем все импликанты, которые имеют пересечением центр тяжести рассматриваемой звезды.
2. Эти импликанты вместе с простыми импликантами звезды рассматриваются затем во всех возможных комбинациях, вычисляются их характеристические векторы и затем осуществляется их проверка на реализуемость на одном нейроне. Такая процедура должна осуществляться при начальном рассмотрении групп, покрывающих наибольшее число единиц, а затем необходимо переходить к группам, покрывающим меньшее число единиц.
Этот метод является достаточно громоздким в том случае, когда число простых импликантов звезды велико. Поэтому можно использовать другой метод нахождения подзвезд.
1. Если звезда, нереализуемая на одном нейроне, состоит из простых импликантов, то необходимо рассмотреть все группы этих простых импликантов, взятых по (G-1) в группе, и проверить каждую такую группу на реализуемость на одном нейроне.
2. Если по крайней мере одна из таких групп реализуема на одном нейроне, то нет необходимости рассматривать дру-1 гие разбиения данной звезды, так как она может быть реали-| зована на двух нейронах.
3. Если ни одна из этих групп не реализуема на одном ней-] роне, то повторяем проверку реализуемости на одном нейроЛ не групп простых импликантов, взятых по (G-2).
4. Эта процедура выполняется до тех пор, пока не будут! исчерпаны все простые импликанты. Группы, полученные на] этом этапе и реализуемые на одном нейроне, будут подзвез-] дами. Отметим, что этот метод определения подзвезд не обя-1 зательно приводит к минимальной порогово-дизъюнктивной! сети нейронов.
В случае не полностью определенной логической функции] е(у) неопределенность задания значений логической функции! на некоторых наборах переменных можно использовать для! минимизации общего числа нейронов порогово-дизъюнктив-1 ной сети. Процедура синтеза в данном случае заключается в] следующем:
1. Доопределяем функцию е(у) на всех наборах переменных,] где она принимает произвольные значения.
2. Выполняем процесс синтеза порогово-дизъюнктивной сети,! изложенный для случая полностью определенной логической] функции до тех пор, пока не будет установлено, что все звез-| ды и подзвезды реализуемы на одном нейроне.
3. Составляем имгшикатную таблицу, число строк которой! равно числу звезд, позвезд и простых импликантов, получен-] ных на втором шаге процедуры синтеза, а число столбцов -] числу наборов функции е(у). При составлении такой таблицы] все произвольные значения функции е(у) принимаются рав-] ными (-1).
4. Выбирается наименьшее подмножество записей в табли-1 це, которое покрывает все единицы функции е(у). При этом] автоматически доопределяются все ее произвольные значения. На этом процесс синтеза заканчивается.
Построение двух выходных слоев нейронной сети в виде] сети из нейронов с настраиваемыми коэффициентами может] быть осуществлено на основании следующих соображений.
Выше было показано, что два выходных слоя нейронов] трехслойной нейронной сети являются сами по себе самостоя-1
тельной системой распознавания принадлежности областей исходного пространства признаков, образованных пересечением гиперплоскостей, к первому или второму классу. В данном случае признаки являются двоичными, а мерность пространства признаков равна числу нейронов первого слоя многослойной нейронной сети. Именно поэтому для обучения нейронов второго слоя трехслойной нейронной сети можно применить любой из методов, изложенных выше в п. 13.1 и 13.2. При этом выбирается число нейронов второго слоя для обеспечения заданной вероятности распознавания принадлежности областей исходного пространства признаков тому или иному классу. Эта вероятность довольно просто связывается общей вероятностью правильного распознавания при наличии результатов обучения нейронов первого слоя трехслойной нейронной сети. После обучения нейронов второго слоя в данном случае древообразная логическая структура третьего слоя может быть проверена на реализуемость на одном нейроне третьего слоя.
13.6. Общая методика последовательного синтеза многослойных нейронных сетей
Предыдущая << 1 .. 97 98 99 100 101 102 < 103 > 104 105 106 107 108 109 .. 131 >> Следующая

Реклама

c1c0fc952cf0704ad12d6af2ad3bf47e03017fed

Есть, чем поделиться? Отправьте
материал
нам
Авторские права © 2009 BooksShare.
Все права защищены.
Rambler's Top100

c1c0fc952cf0704ad12d6af2ad3bf47e03017fed