14.Нейронная сеть Хэмминга
Разработана Липпманом в 1987 г. [3].
|
Рисунок 10. Сеть Хэмминга |
Сеть Хэмминга (как и Хопфилда) используется, если необходимо определить номер эталона, ближайший к предъявленному входному вектору. При этом активизируется только один выходной нейрон, соответствующий этому эталону. Расстояние между входным и эталонными векторами определяется одновременно как расстояние Хэмминга:
. |
(35) |
Тип входных сигналов – бинарные векторы, тип выходных сигналов – целые числа.
По сравнению с сетями Хопфилда, сети Хэмминга требуют меньших затрат памяти и объемов вычислений.
Сеть состоит из входного, скрытого и выходного слоев нейронов. Скрытый и выходной слои содержат по K нейронов, где K – число эталонов.
Выходы нейронов выходного слоя подаются на входы всех нейронов этого же слоя, причем на этот же нейрон – с коэффициентом 1, а на остальные – с отрицательным ослабляющим (ингибиторным) коэффициентом.
На этапе настройки сети Хэмминга устанавливаются значения весов нейронов скрытого слоя:
, |
(36) |
где – i-й компонент k-го эталона,
и пороги их активационных функций:
. |
(37) |
Коэффициенты отрицательных обратных связей нейронов выходного слоя задают равными некоторой величине из интервала 0<<1/K.
Алгоритм функционирования сети Хэмминга:
Шаг 1. На нейроны входного слоя подается вектор X, после чего с весовыми коэффициентами распределяется по нейронам скрытого слоя. На их выходах формируются значения:
. |
(38) |
В соответствии с этим устанавливаются значения на выходах нейронов выходного слоя:
. |
(39) |
Шаг 2. На каждой (t+1)-й итерации выходы нейронов выходного слоя корректируются:
. |
(40) |
В результате последовательности итераций максимальный выход должен увеличиться до 1, а остальные – убыть до 0. Активационная функция f – линейная с насыщением.
Шаг 3. Проверка изменения состояний нейронов выходного слоя за последнюю итерацию. В случае наличия изменений – переход к шагу 2. Иначе – окончание процедуры.
Входной слой необходим только в качестве хранилища весовых коэффициентов.
Недостатком сети является ограниченность самой метрики Хэмминга. Область применения ограничивается возможностью использования только бинарных сигналов. Достоинством сети является простота. Емкость сети точно равна количеству нейронов скрытого и выходного слоев и не зависит от размерности входа.