Е. Миркес - Учебное пособие по курсу «Нейроинформатика»
- Название:Учебное пособие по курсу «Нейроинформатика»
- Автор:
- Жанр:
- Издательство:КРАСНОЯРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
- Год:2002
- Город:Красноярск
- ISBN:нет данных
- Рейтинг:
- Избранное:Добавить в избранное
-
Отзывы:
-
Ваша оценка:
Е. Миркес - Учебное пособие по курсу «Нейроинформатика» краткое содержание
Данное учебное пособие подготовлено на основе курса лекций по дисциплине «Нейроинформатика», читавшегося с 1994 года на факультете Информатики и вычислительной техники Красноярского государственного технического университета.
Несколько слов о структуре пособия. Далее во введении приведены учебный план по данному курсу, задания на лабораторные работы. Следующие главы содержат одну или несколько лекций. Материал, приведенный в главах, несколько шире того, что обычно дается на лекциях. В приложения вынесены описания программ, используемых в данном курсе (Clab и Нейроучебник), и проект стандарта нейрокомпьютера, включающий в себя два уровня — уровень запросов компонентов универсального нейрокомпьютера и уровень языков описания отдельных компонентов нейрокомпьютера.
Данное пособие является электронным и включает в себя программы, необходимые для выполнения лабораторных работ.
Учебное пособие по курсу «Нейроинформатика» - читать онлайн бесплатно полную версию (весь текст целиком)
Интервал:
Закладка:
При накоплении показателей чувствительности для исключенияиз обучения связей программа позволяет использовать три варианта нормы:
Показатель чувствительности связи равен максимуму модуля соответствующего элемента векторов антиградиента по всем циклам накопления критерия.
Показатель чувствительности связи равен сумме модулей соответствующего элемента векторов антиградиента по всем циклам накопления критерия.
Показатель чувствительности связи равен сумме соответствующего элемента векторов антиградиента по всем циклам накопления критерия.
Норма для включенияВсе программы, кроме программы Hopfield.
При накоплении показателей чувствительности для включенияв обучение связей программа позволяет использовать три варианта нормы:
Показатель чувствительности связи равен максимуму модуля соответствующего элемента векторов антиградиента по всем циклам накопления критерия.
Показатель чувствительности связи равен сумме модулей соответствующего элемента векторов антиградиента по всем циклам накопления критерия.
Показатель чувствительности связи равен сумме соответствующего элемента векторов антиградиента по всем циклам накопления критерия.
Количество контрастируемых связейВсе программы, кроме программы Hopfield.
Этот пункт меню позволяет Вам задать число связей, подлежащих Контрастированию.
Количество замораживаемых связейВсе программы, кроме программы Hopfield.
Этот пункт меню позволяет Вам задать число связей, подлежащих Замораживанию.
Количество размораживаемых связейВсе программы, кроме программы Hopfield.
Этот пункт меню позволяет Вам задать число связей, подлежащих Размораживанию.
Число циклов накопления критерияВсе программы, кроме программы Hopfield.
Этот пункт меню позволяет Вам задать число циклов обучения для накопления показателей чувствительности для процедуры Контрастирования.
Набор выделенных значений (1/2^n)Все программы, кроме программы Hopfield.
Процедура контрастирования(вызывается нажатием клавиш ) позволяет Вам исключить часть связей из функционирования, а остальные связи привести к небольшому числу выделенных значений. Этот пункт позволяет Вам задать набор выделенных значений. Ниже приведена таблица соответствия набора выделенных значений задаваемому Вами параметру:
Программа Pade
| Параметр | Значения |
|---|---|
| 0 | 0. |
| 1 | 0, 1. |
| 2 | 0, ½, 1. |
| 3 | 0, ¼, 2/4, ¾, 1. |
| 4 | 0, ⅛, 2/8, ⅜, …, ⅞, 1. |
| 5 | 0, 1/16, 2/16, …, 15/16, 1. |
| 6 | 0, 1/32, 2/32, …, 31/32, 1. |
| 7 | 0, 1/64, 2/64, …, 63/64, 1. |
| 8 | 0, 1/128, 2/128, …, 127/128, 1. |
Программы Sinus и Sigmoid
| Параметр | Значения |
|---|---|
| 0 | 0. |
| 1 | 0, ±1. |
| 2 | 0, ±½, ±1. |
| 3 | 0, ±¼, ±2/4, ±¾, ±1. |
| 4 | 0, ±⅛, ±2/8, ±⅜, …, ±⅞, ±1. |
| 5 | 0, ±1/16, ±2/16, …, ±15/16, ±1. |
| 6 | 0, ±1/32, ±2/32, …, ±31/32, ±1. |
| 7 | 0, ±1/64, ±2/64, …, ±63/64, ±1. |
| 8 | 0, ±1/128, ±2/128, …, ±127/128, ±1. |
Все программы, кроме программыHopfield.
Этот пункт меню позволяет Вам увидеть на экране все параметры, задаваемые в меню "Параметры":
Параметры сети
Число нейронов в сети
Число срабатываний сети
Характеристика нейронов
Параметры метода обучения
Использовать MParTan
Организация обучения
Вычисление направления
Способ оценивания
Уровень УДАРА
Параметры контрастирования
Норма для исключения
Норма для включения
Количество контрастируемых связей
Количество замораживаемых связей
Количество размораживаемых связей
Число циклов накопления критерия
Набор выделенных значений (1/2^n)
Методы предобработки
Чистый образ
Сдвиговый автокоррелятор
Автокоррелятор сдвиг+отражение
Автокоррелятор сдвиг+вращение
Автокоррелятор сдвиг+вращение+отражение
Кроме того, на экран выводится число тактов функционирования сети уже затраченных на обучение и средняя оценка по обучающему множеству.
Обучение
Программа Hopfield.
При вычислении синаптической картыв данной программе предусмотрено использование одного из двух заложенных алгоритмов. Выбор алгоритма производится в подменю "Параметры"главного меню. Там же описана процедура предварительной обработки обучающего множества в случае применения алгоритма "Проекционный Хопфилд". В этом разделе описана общая для обоих алгоритмов процедура вычисления элемента синаптической карты по векторам обучающего множества.Поскольку мы имеем дело со стонейронной нейронной сетью, исходные данные любого примера можно представить в виде стомерного вектора. Обозначим вектора соответствующие обучающему множеству через A[1],…,A[k], весl-ого примера — W[l], а ij-ый элемент синаптической карты — X[ij]. Тогда алгоритм вычисления синаптической карты можно представить в виде формулы:
X[ij] = Сумма по l от 1 до k (A[l][i]*A[l][j]*W[l])
Все программы, кроме программыHopfield.
В данной программе реализован «генетический» подход к формированию стратегии обучения. У Вас в руках ряд процедур, с помощью которых Вы можете подобрать стратегию обучения сети. Ниже приведена таблица всех возможных режимов
| № | Использовать MParTan | Организация обучения | Вычисление направления | Способ оценивания | Допустимость |
|---|---|---|---|---|---|
| 1 | Да | Средн. | Антиградиент | МНК | Допустим |
| 2 | Да | Средн. | Антиградиент | РДМ | Допустим |
| 3 | Да | Средн. | Случайное | МНК | Допустим |
| 4 | Да | Средн. | Случайное | РДМ | Допустим |
| 5 | Да | Позад. | Антиградиент | МНК | Недопустим |
| 6 | Да | Позад. | Антиградиент | РДМ | Недопустим |
| 7 | Да | Позад. | Случайное | МНК | Недопустим |
| 8 | Да | Позад. | Случайное | РДМ | Недопустим |
| 9 | Да | Зад. N | Антиградиент | МНК | Допустим |
| 10 | Да | Зад. N | Антиградиент | РДМ | Допустим |
| 11 | Да | Зад. N | Случайное | МНК | Допустим |
| 12 | Нет | Зад. N | Случайное | РДМ | Допустим |
| 13 | Нет | Средн. | Антиградиент | МНК | Допустим |
| 14 | Нет | Средн. | Антиградиент | РДМ | Допустим |
| 15 | Нет | Средн. | Случайное | МНК | Допустим |
| 16 | Нет | Средн. | Случайное | РДМ | Допустим |
| 17 | Нет | Позад. | Антиградиент | МНК | Допустим |
| 18 | Нет | Позад. | Антиградиент | РДМ | Допустим |
| 19 | Нет | Позад. | Случайное | МНК | Допустим |
| 20 | Нет | Позад. | Случайное | РДМ | Допустим |
| 21 | Нет | Зад. N | Антиградиент | МНК | Допустим |
| 22 | Нет | Зад. N | Антиградиент | РДМ | Допустим |
| 23 | Нет | Зад. N | Случайное | МНК | Допустим |
| 24 | Нет | Зад. N | Случайное | РДМ | Допустим |
Обозначения, использованные в таблице:
Читать дальшеИнтервал:
Закладка:
