2 Домашнє завдання

Використовуючи конспект лекцій і рекомендовану літературу, вивчити модель НМ Хопфілда та алгоритми її навчання.

Використовуючи документацію рекомендованого викладачем програмного засобу, вивчити його архітектуру і компоненти, призначені для моделювання і навчання НМ Хопфілда, вводу і виводу даних, підготовки звітів (виводу і відображення результатів роботи).

Ознайомитися зі складом і порядком виконання роботи.

3 Порядок виконання роботи

3.1 Одержати у викладача варіанти завдань для моделювання і навчання НМ Хопфілда. Вхідними даними є: кількість входів нейронів і розмір мережі (число нейронів); набір пар значень входів x_i і бажаних виходів y_i НМ Хопфілда.

3.2 Написати і налагодити програму на Паскалі, Сі або Бейсику, що моделює НМ Хопфілда і реалізує алгоритми її навчання: проекційний (псевдоінверсний) алгоритм та ітераційний проекційний алгоритм, а також рознасичене псевдоінверсне правило. Передбачити в програмі відображення на екран і запис у файл на диску поточного стану параметрів НМ і результатів її роботи: матрицю ваг, число помилкових рішень розпізнавання, значень на входах і виходах НМ Хопфілда, тривалість навчання і роботи НМ.

3.3 Для відповідних варіанту вхідних даних зробити навчання НМ кожним з методів і зберегти у файлі на диску результати її роботи.

3.4 Результати занести в таблицю, стовпці якої повинні мати назви: метод навчання, час навчання, час класифікації, число помилкових рішень при розпізнаванні.

3.5 Проаналізувати отримані результати і дати порівняльну характеристику методів навчання НМ Хопфілда.

3.6 Виконати п.3.3-3.5 для програмних продуктів, запропонованих викладачем. Зробити аналіз і дати порівняльну характеристику розробленої Вами програми і програмних продуктів, запропонованих викладачем.

3.7 Для тієї ж задачі, що та у пп. 3.3, 3.6 здійснити моделювання на основі одношарового персептрона. Результати розрахунків занести в таблицю.

3.8 Дати порівняльну характеристику НМ Хопфілда та одношарового персептрона.

4 ЗМІСТ ЗВІТУ

4.1 Сформульована мета роботи.

4.2 Короткий опис і схема моделі НМ Хопфілда.

4.3 Схема і короткий опис алгоритмів навчання НМ Хопфілда.

4.4 Короткий опис і текст програми, що реалізує алгоритми 4.3.

4.5 Вхідні дані та результати роботи програми 4.4.

4.6 Короткий опис, вхідні дані та результати роботи з програмним засобом, запропонованим викладачем.

4.7 Результати виконання п. 3.7.

4.8 Аналіз отриманих результатів і висновки. Лаконічні відповіді на контрольні питання.

Контрольні питання

1. Дайте визначення понять: повнозв’язна НМ Хопфілда, функція обчислювальної енергії, асоціативна пам'ять, псевдоінверсне навчальне правило, проективний алгоритм настроювання ваг, ефект рознасичення (ефект Городничего), еталон.

2. Чи дозволяє модель і розглянуті алгоритми навчання НМ Хопфілда побудувати на її основі асоціативний запам'ятовуючий пристрій, здатний запам'ятовувати стільки образів, скільки нейронів у мережі? Відповідь поясніть.

3. Опишіть ефект Городничего і розгляньте перспективи і методи його використання.

4. Які задачі можна вирішувати на основі бінарних НМ Хопфілда, а які не можна? Обґрунтуйте і доведіть відповідь. Приведіть приклади. Порівняєте можливості НМ Хопфілда і дискретного персептрона.

5. Чи можна навчити бінарну НМ Хопфілда відновлювати за ключем 1101**** запам’ятовані набори кодових слів: a) 11011001, 01010010, 11001111, б) 11011001, 11011010, 01011111, в) 11011001, 11010010, 11011111 ? Відповідь поясніть.

6. Чи доцільно застосовувати бінарні мережі Хопфілда для класифікації складно (нелінійно) роздільних образів?

7. Чи завжди збігаються проекційні алгоритми навчання мережі Хопфілда?

8. Чи доцільно застосовувати НМ Хопфілда при рішенні задач, для рішення яких може використовуватися одношаровий персептрон?