- •Оглавление
- •Аналитические технологии
- •Формализация нейронных сетей
- •Принцип обучения искусственных нейронных сетей
- •Концепция обучения нейронной сети, предложенная Хэбом
- •Сбор данных для нейронной сети
- •Прикладные возможности нейронных сетей
- •Переобучение и обобщение
- •Персептрон
- •Алгоритм обратного распространения ошибки
- •Сигмоидальный нейрон
- •Нейрон типа «адалайн»
- •Инстар и оутстар Гроссберга
- •Нейрон типа wta (Winner Takes All)
- •08.10.2011 Модель нейрона Хэбба
- •Стохастическая модель нейрона
- •Стохастические алгоритмы обучения
- •Настройка числа нейронов в скрытых слоях многослойных сетей в процессе обучения
- •Алгоритмы сокращения
- •Конструктивные алгоритмы
- •Упрощенные алгоритмы расщепления
- •Радиальная базисная сеть
- •Вероятностные нейронные сети
- •Линейные нейронные сети
- •Обучение
- •Сети с самоорганизацией на основе конкуренции
- •12.11.2011 Модели ассоциативной памяти. Сети Хопфилда
- •Когнитивные карты
- •19.11.2011 Генетические алгоритмы Естественный отбор и генетическое наследование
- •Модель эволюции в природе, реализованная программно
- •Символьная модель простого генетического алгоритма
- •Работа простого генетического алгоритма
- •26.11.2011 Шима (Schema)
- •Применение аналитических технологий
- •03.12.2011
- •Бизнес-приложения
- •Программные реализации аналитических технологий
- •Список литературы
Радиальная базисная сеть
Под термином сеть радиально-базисных функция понимается любая нейронная сеть, которая содержит скрытый слой нейронов с радиально-симметричной функцией активации, каждый из которых предназначен для хранения отдельного эталонного вектора в виде вектора весов.
Рисунок 25 Радиальная базисная сеть
Сети с радиально-базисной функцией в скрытом слое содержит нейроны, которые реализуют функции радиально изменяющиеся вокруг выбранного центра и принадлежащие ненулевые значения только в окрестности этого центра. Подобные функции, определяемые как , будем называть радиально-базисными функциями.
Структура типичной радиальной сети включает входной слой, на который подаются сигналы, описывающие входной вектор X, скрытый слой с нейронном радиального типа и выходной слой, состоящий из 1 или нескольких линейных нейронов. Функция выходного нейрона сводится к взвешиванию суммированных сигналов, генерируемых скрытыми нейронами.
Радиальные сети предназначены для решения задач классификации. Если вектор радиальной функции в n-мерном входном пространстве обозначить как , то это пространство является нелинейно разделяемым на два пространственных классаитолько тогда, когда существует такой вектор весов, что:
- граница между классами и.
Применение достаточно большого количества скрытых нейронов, реализующих радиальные функции, гарантирует решение задачи классификации даже при построении всего лишь двухслойной сети.
Простейшая нейронная сеть радиального типа функционирует по принципу многомерной интерполяции, состоящей в отображении множества входных векторов на множество числе . При очень большом количестве обучающих выборок и равном ему количестве радиальных функций сеть становится громоздкой, поэтому необходимо уменьшить количество радиальных функций и получить дополнительную информацию для структуризации задачи.
В качестве радиальной функции применяется функция Гаусса. При размещении её центра вона может быть определена как:
Аргументом радиальной функции является евклидово расстояние образца x от центра .
29.10.2011
Вероятностные нейронные сети
Предназначены для решения задач классификации и представляют собой параллельную реализацию известных статических методов. В основу классификации в вершина-х сетях положены формулы методов базиса. Идея состоит в том, что для каждого образца можно принять решение на основе выбора наиболее вероятного класса из тех, к которым мог бы принадлежать этот образец. Такое решение требует оценки функции плотности вероятности для каждого класса.
Все выходные нейронные сети можно интерпретировать как оценки вероятности принадлежности элементов к каждому классу. При решении зада классификации можно оценить плотность вероятности каждого класса, сравнить вероятности принадлежности к каждому классу и выбрать наиболее вероятный.
Рисунок 26 Вероятностная нейронная сеть
Вероятностная нейронная сеть имеет 3 слоя: входной, радиальный и выходной. Радиальные элементы берутся по одному на каждое обучающее наблюдение. Каждый из них представляет Гауссову функцию с центров в этом наблюдение. Каждому классу соответствует 1 выходной элемент. Каждый такой элемент соединен со всеми радиальными элементами, относящимися к его классу, а со всеми остальными радиальными элементами имеет нулевое соединение. Таким образом выходной элемент складывает отклики всех элементов, принадлежащих его классу.
Обобщенно-регрессионные сети – самостоятельно