2.2.1. Обучение радиальных нейронов СНРБ-сети.
на несколько подмножеств. tC^^Ncurrmt g подмножество неклассифицированных элементов N будут входить образцы, которые
должны быть классифицированы. В подмножество классифицированных элементов С будут соответственно относиться элементы обучающего множества, которые нейронная сеть классифицирует корректно. Такое условное деление существует во время всего процесса обучения. Очевидно, что критерием завершения обучения служит обращение множества неклассифицированных элементов в пустое множество. N=0 Оставшиеся два подмножества характеризуют процесс обучения отдельного нейрона. Это множество правильно классифицированных элементов текущим нейроном C№rrt,„, и множество неправильно классифицируемых данным нейроном. Происхождение этих подмножеств понятно из следующего: при добавлении нового нейрона некоторые элементы из множества Смогут попасть в область активации этого нового нейрона и следовательно должны перейти в множество С при окончании; обучения нейрона, но так как процесс итеративный, они временно помещаются в множество названное как Ссиггем. Аналогично, может случиться, что элемент множества С попадает в область активации нового нейрона, и он будет отнесет к множеству N^^ Таким образом, легко подсчитать полезный вклад в классификацию, вносимый новым нейроном: он будет равен разности количеств элементов в множествах Ссиггем и Namт- Инициализация состоит в приравнивании к пустому множеству C^tvrrent=Ncurrent^* 2lN - это обучающая выборка. Дальнейшее обучение делится на два этапа.
На первом этапе обучения RBF-слоя к нему последовательно добавляются нейроны, сформированные таким образом, чтобы их область активации: покрывала все элементы обучающего множества из множества еще не Классифицированных N, принадлежащие к выбранному случайным , образом классу. При этом как упоминалось выше, элементы из С попадающие в область действия нового нейрона относятся в множество
Ncurrem• При этом сформированный нейрон становится частью сети только в том случае, если он вносит положительный вклад в классификацию. Q(Ccurrent) " Q(Ncurrent) >7, где Q(x) - количество элементов множества X. После добавления нового нейрона в слой: С—С U С№П-ел^, N=NXJ Nnrreni, C
Еще по теме 2.2.1. Обучение радиальных нейронов СНРБ-сети.:
- Радиально-базисные нейронные сети
- 1.3.2 Нейронные сети радиально-базисного типа
- 2.2 Алгоритм обучения нейронной сети для ускоренной сходимости обучения
- 3.1.2 Результаты обучения нейронной сети.
- Общая схема обучения нейронной сети
- 3.1 Алгоритм обучения нейронной сети.
- 2.2. Самонастраивающаяся нейронная сеть радиально базисного типа.
- Генетический алгоритма для обучения нейронной сети для вертикализации экзоскелета с одним критерием оптимизации
- Генетический алгоритма для обучения нейронной сети для вертикализации экзоскелета с двумя критериями оптимизации
- 3.1. Метод главных компонент как дополнительный слой СНРБ-сети
- Свёрточные нейронные сети
- Приложение СНРБ-сети для распознавания изображений
- 2.1.2 Топология свёрточной нейронной сети
- Глава 3.Приложение СНРБ-сети для распознавания изображений
- 1.2.1 Искусственные нейронные сети в системах распознавания
- Архитектура нейронной сети
- 3.3.4 Оценка чувствительности нейронной сети к изменению масштаба
- 2.1.1 Свёрточные нейронные сети