Расчет значений нейронов

• Входное изображение преобразуется в массив значений. Они заносятся в нейроны Input сети в качестве их значений.

• Сеть запускает активацию всех слоев последовательно.

• Нейронный слой запускает функции активации всех нейронов, передавая им ссылки на нейроны предыдущего слоя и на синапсы. Функция активации нейрона выбирается в соответствии со слоем.

• Для расчета значения нейрон обращается к синапсам, соответствующим его положению в сети, и через указанные в них сдвиги получает значения нейронов предыдущего слоя в своей окрестности.

• Для S-слоя вначале считаются значения V-нейронов, а затем с их использованием – значения остальных нейронов.

Обработка данных

• Входное изображение в формате RGB переводится в grayscale, затем преобразуется в массив чисел со значениями в интервале [0, 1]:

sample[j*image.width()+i] = (255-qGray(image.pixel(i, j)))/255

• Значение нейронов слоя распечатывается в виде изображений, полученных обратным преобразованием:

255-100*((float)this->neurons[k* NX* NY+i* NY+j].getValue()/abs)

abs – нормализующее значение, является максимальным значением нейрона, для попадания в интервал [0,1].

Обучение слоя s1 сети с учителем

• Перед обучением генерируются обучающие примеры: горизонтальный отрезок, повернутый под разными углами на белом фоне. Отрезок на примере k повернут на угол (180^o/K), где K – количество плоскостей на слое S₁. Количество примеров равно K.

• Обучение выполняется для каждой плоскости слоя S₁.

  • На вход подается обучающий пример (в виде двумерного массива значений) и номер k обучаемой плоскости, а также константа скорости обучения.

  • Значения заносятся в массив input.

  • Активируются слои C₀ и S_l.

  • Для слоя S_l вызывается функция обучения с учителем, куда передается ссылка на слой C₀.

  • Среди нейронов поданного слоя C₀ выбираются нейроны с максимальным значением (лежащие на отрезке), из них берется случайный нейрон (для правильной формы окружения это центральный нейрон либо его ближайшие соседи). От его координаты (i1, j1) отсчитываются координаты зерна с учетом сдвига слоев друг относительно друга: (i1+rc+rs-1; j1+rc+rs-1). rc – радиус окружения на слое C₀, rs – радиус окружения слоя S₁. Номер k обучаемой плоскости берется из параметров функции.

  • Для зерна с найденными координатами (i0; j0; k0) применяется функция изменения весов. Веса синапсов, соответствующих этой плоскости, изменяются по формуле изменения весов, затем рассчитывается значение веса b_k подавляющей связи этой плоскости.

Обучение слоя Sl без учителя

• На вход сети передается обучающий пример в виде двумерного массива значений и константы скорости q и q2; q соответствует обучению нейрона-победителя, а q2 используется для обучения плоскостей, где нет нейронов-победителей. Иногда q2 берется равной 0 (это увеличивает специализацию нейронов, но убирает вероятность того, что сеть, не имеющая достаточной дифференциации значений сможет начать обучение).

• В массив input заносятся входные данные.

• Последовательно активируются слои сети начиная с C₀ и заканчивая S_l. Для слоя S_l вызывается функция обучения без учителя.

• В цикле для всех плоскостей слоя производится процесс поиска нейрона-победителя.

  • Все нейроны плоскости k проверяются на право быть кандидатом в победители: если нейрон имеет максимальное значение в своей конкурентной области, он попадает в список maxResponse.

  • Из списка maxResponse выбирается максимальный элемент; он заносится в список seeds в качестве элемента k. Если maxResponse пуст, seeds[k]=-1. Если найдено два равных кандидата, в seeds может быть занесен любой из них.

• Для всех элементов массива seeds выполняется процедура обучения:

• Если элемент seeds[k]≥0 , производится обучение нейрона плоскости k с этим номером. Для обучения берется константа скорости q.

• Если элемент seeds[k]=-1, обучается центральный нейрон плоскости k, скорость обучения берется равной q2.