НОУ ИНТУИТ | Нейрокомпьютерные системы. Лекция 5: Виды нейронных сетей и способы организации их функционирования

Учитесь и получайте официальные документы БЕСПЛАТНО. Вы можете поддержать наш проект.

Регистрация Вход

Твой путь к знаниям!

Новосибирский Государственный Университет

Опубликован: 13.09.2006 | Доступ: свободный | Студентов: 2219 / 533 | Оценка: 4.52 / 4.28 | Длительность: 12:23:00

ISBN: 978-5-9556-0063-5

Тема: Искусственный интеллект и робототехника

Специальности: Программист

|

Вам нравится? Нравится 20 студентам

| Поделиться |

Поддержать курс

| Скачать электронную книгу

Предобработка данных

Нормировка и центрирование данных (предобработка) используются почти всегда (кроме тех случаев, когда данные представляют собой бинарные векторы с координатами 0,1 или $\pm1$ , либо символьные последовательности). Цель этих преобразований - сделать так, чтобы каждая компонента вектора данных лежала в отрезке [-1,1] (или [0,1] ) или, по крайней мере, не слишком далеко выходила из этого отрезка, и её характерный разброс тоже был бы единичным.

Стандартные преобразования исходной выборки $x^p, p \,{=}\, 1,2, \ldots, M$ :

$x_i^p =[x_i^p - M(x_i^p)]/ \sigma(x_i^p)$ или x_i^p
=[x_i^p -
M(x_i^p)]/ max | x_i^p - M(x_i^p)|, где x_i^p - -я компонента вектора x^p ,

$M(x_i^p) = (\sum {x_i^p})/n$ - выборочная оценка математического ожидания x_i^p ;

$\sigma(x_i^p) = \{\sum_i^p[x_i^p - M(x_i^p)]^2/n\}^{1/2}$ - выборочная оценка среднего квадратичного отклонения. Любое изменение выборки $\{x^p\}$ должно, согласно этим формулам, менять и нормировку. Нормировка и центрирование вписывают исходную выборку в куб со стороной 2, вершинами которого являются векторы с координатами $\pm 1.$

Интерпретация ответов сети

При интерпретации выходных сигналов сети необходимы аккуратность и порой изобретательность, ведь от этого истолкования зависят требования, которые мы предъявляем к работе НС. Удачная их формулировка может упростить обучение и повысить точность работы, неудачная — свести на нет предыдущие усилия.

Масштабирование является естественной операцией при обработке выходных сигналов. Стандартные (обезразмеренные) НС формируются так, чтобы их выходные сигналы лежали в интервалах [-1,1] (или [0,1] ). Если нам нужно получить сигнал в интервале [a,b] , то нужно преобразовать выходной сигнал $y\in [-1,1]$ :

В задачах классификации наиболее распространено правило интерпретации "победитель забирает все": число нейронов равно числу классов, номер нейрона с максимальным сигналом интерпретируется как номер класса. К сожалению, если классов много, то этот наглядный метод является слишком расточительным, потребляет слишком много выходных нейронов.

Знаковая интерпретация требует только k=log_2m нейронов ( - число классов). Строится она так. Пусть $y_1, \ldots, y_k$ - совокупность выходных сигналов нейронов. Заменим в этой последовательности положительные числа единицами, а отрицательные - нулями. Полученную последовательность нулей и единиц рассматриваем как номер класса в двоичной записи.

Порядковая интерпретация является еще более емкой, чем знаковая. В ней с помощью нейронов можно описать принадлежность к ! классам (а не 2^k как для знаковой). Пусть $y_1, \ldots, y_k$ - выходные сигналы. Проведем их сортировку и обозначим через n_i номер -го сигнала после сортировки (1 соответствует наименьшему сигналу, - наибольшему). Перестановку $\sigma = (n_1,n_2, \ldots, n_k)$ рассмотрим как слово, кодирующее номер класса. Всего возможно ! перестановок. Этим интерпретатором можно пользоваться, если характерная ошибка выходного сигнала меньше 1/k. Даже при k=10 получаем реализуемые требования к точности (< 1/10) и богатые возможности (10! классов).

Дальше >>

Авторизоваться

Нейрокомпьютерные системы

Виды нейронных сетей и способы организации их функционирования

Предобработка данных

Интерпретация ответов сети

Вопросы и ответы