Методички / LR-3
.pdf
правило конструирование гибридных ИНС необходимо для компенсации того или иного недостатка типовой сети. Примерами гибридной сети является самонастраивающаяся РБФ-сеть.
Самонастраивающаяся РБФ-сеть Как показано выше, основной проблемой при выборе значения (3)
для РБФ-сети является то, что различные классы объектов, как правило, имеют различные значения внутриклассовой дисперсии. Данное обстоятельство продиктовано тем, что сигналы различных классов подвержены влиянию шумов различного вида и интенсивности. Одним из способов учѐта разнородности статистических характеристик различных классов является задание для каждого класса объектов своего значения . Таким образом, выражение (3) примет вид:
|
|
|
n |
x x |
2 |
|
|
g |
|
|
j |
|
|
) , |
(4) |
(x) exp( |
|
i |
|||||
j |
|
|
|
|
2 |
|
|
|
|
|
i 1 |
j |
|
|
|
|
|
|
|
|
|
||
где |
n j |
– число объектов класса j в обучающей выборке, а параметр |
|||||
|
j |
|
задает ширину функций для класса j.
Выбор значения j для каждого класса необходимо осуществлять по
результатам предварительного анализа обучающей выборки сети. Эта цель может быть достигнута с использованием самоорганизующейся карты Кохонена. КК обеспечивает эффективную кластеризацию обучающей выборки с оценкой внутриклассовой дисперсии. Значения внутриклассовой дисперсии могут быть использованы в качестве оценки ширины функций потенциала j , а синтезированные вектора весов нейронов КК могут быть
использованы как редуцированная обучающая выборка для формирования РБФ-сети.
Таким образом, предлагается следующий метод классификациираспознавания объектов с оптимальным выбором ширины функций потенциала j и предварительной обработки обучающей выборки:
1)Провести кластеризацию обучающей выборки при помощи самоорганизующейся карты Кохонена.
2)Полученные в результате кластеризации значения дисперсии для каждого класса, эталонные вектора классов сигналов (значения весов нейронов КК) и априорную привязку объектов использовать при построении РБФ-сети.
3)Проводить классификацию новых данных при помощи синтезированной таким образом РБФ-сети.
Предложенный алгоритм позволяет повысить робастность классификации при помощи РБФ-сетей. Структура гибридной искусственной
сети в режиме обучения, представлена на рисунке 2.
Рисунок 2 - Самонастраивающаяся РБФ-сеть
Таким образом, предложенная гибридная ИНС позволяет:
–повысить робастность идентификации (классификации) объектов;
–автоматизировать процедуру выбора ширины радиальной базисной функции классификатора;
–уменьшить количество нейронов слоя образцов РБФ-сети.
3. Контрольные вопросы:
1.РБФ-сеть: назначения, структура.
2.Принцип работы РБФ-сети. Оценка плотности вероятностей с помощью метода Парцена.
3.Преимущества и недостатки РБФ-сетей.
4.Структура гибридной ИНС типа самонастраивающаяся РБФ-сеть.
5.Метод классификации-распознавания объектов с оптимальным выбором ширины функций потенциала РБФ-сети.
Рекомендованная литература
1.Хайкин С. Нейронные сети: полный курс, 2-е изд.: пер. с англ. – М.: Издательский дом «Вильямс», 2006. – 1104.
2.Аджемов С.С., Чиров Д.С., Терешонок М.В. Распознавание видов цифровой модуляции в системах когнитивного радио. М.: МТУСИ, 2018. 224 с.: ил. 117. библ. 102.