Теория нейронных сетей - Галушкин А.И.
ISBN 5-93108-05-8
Скачать (прямая ссылка):
9 5 1 7 1 8 3
10 5 3 7 3 8 2
И 5 1 7 0 8 2
12 5 1 7 0 8 2
13 5 2 7 0 8 0
14 5 0 7 1 8 3
15 6 2 7 2 8 2
16 6 2 7 5 8 1
17 6 0 7 1 8 1
18 6 1 7 2 8 3
19 6 2 7 0 8 0
20 6 1 7 2 8 2
предыдущие циклы, включая j-й. Такого же рода данные представлены в табл. 12.2 для случая Z=Kp, К*=0,01, М=100, о=0,5. Анализ результатов работы рассматриваемого алгоритма самообучения, представленных в табл. 12.1, 12.2, позволяет сделать выводы:
1) рассматриваемый алгоритм достаточно работоспособен при значительной сложности (Z) задачи самообучения;
2) экспериментальные результаты подтерждают теоретические выводы, сделанные в гл.9 относительно предлагаемого алгоритма поиска локальных и глобального экстремумов функций;
3) чем больше о (степень пересечения классов), тем ниже качество работы алгоритма при фиксированных Z, Кр, К*, г, j.
Данный алгоритм был несколько видоизменен, так как очевидно, что задание начальных условий для поиска экстремума функционала вторичной оптимизации (начальных значений координат центров классов) лучше производить в виде
координат первых Z образов, поступивших на вход нейронной сети в режиме самообучения. Повышение качества работы алгоритма самообучения в данном случае по сравнению с равновероятностным заданием начальных условий на некотором интервале иллюстрируется табл. 12.3, в которой для данных двух способов задания начальных условий и описанного выше алгоритма самообучения представлено число мод распределения, найденных на А-м шаге выброса начальных условий и за Л шагов. В данном эксперименте К*=0,02, о=0,5, коэффициенты /(х) Ьр Ъ2, Ь3, Ь4, Ь5, Ъ6, Ь?, bg соответственно равны -9,1; -7, -3, -5, -1; 3,13. Пространство X ограничено интервалом [-11,5].
Таблица 12.3
Моды Число мод Номер Выбор начальных условий
Равновероятно по fci)... x(z)
1-4 4 1 0 0 3 3
2 1 1 3 3
3 2 2 3 4
4 0 2 3 4
5 1 2 2 4
1-5 5 1 2 2 1 1
2 1 2 5 5
3 1 2 1 5
4 1 3 1 5
5 1 3 3 5
1-6 5 1 1 1 4 4
2 3 4 0 4
3 0 4 2 5
4 2 5 3 б
5 0 5 1 6
1-7 7 1 1 1 4 4
2 3 3 1 4
3 2 4 1 5
4 1 4 1 6
5 4 5 3 6
1-8 8 1 4 4 2 2
2 1 4 4 6
3 3 4 2 7
4 3 4 2 8
5 3 5 2 8
В данном случае рассматривалась нейронная сеть в виде слоя нейронов с характеристиками JV=1, N*=3. Структурная схема данной системы представлена на рис. 12.31. В данном случае
у' = {х-Ь[У1(а01), у2(а02), у3(а03)]}2, (12.7)
причем величина Ь(у) однозначно определяется по известным в текущий момент времени величинам а01, а02, а03 в соответствии с рис. 12.32, табл. 12.4 и следующими выражениями:
h = л а02~ aoi .
°i uoi-------г
2
Ь,. = aQM ; г—2,3;
h = п _1_ а03 а02
4 а03 ' --------------------
Из (12.7) следует, что
дц' ЭЬ ду.
~~ = ~ 2[х(п) - Ь(х, п)]— . (12.8)
Эа0,. Эу,. Эа0(.
Здесь согласно рис. 12.31 Эу,. /Эа0,.=-1. Вектор ЭЬ /Эу,. вычисляется следующим образом. Табл. 12.4 может быть представлена иначе, а именно в виде табл. 12.5.
f а01 Г Уг
-т
а02 1 ' Уг
•1
аоз 1 ‘ Уз
-1
Рис. 12.31. Структурная схема слоя нейронов (JV=1)
Рис.12.32. К расчету координат центров классов
Таблица 12.4
