Рулежный контроль 1. PR1_Одиноков С.А.. Российский государственный социальный университет рубежный контроль к разделу 1 по дисциплине Интеллектуальные информационные системы
 Скачать 284.8 Kb.
|
РУБЕЖНЫЙ КОНТРОЛЬ К РАЗДЕЛУ 1 по дисциплине «Интеллектуальные информационные системы» Сеть Хэмминга (тема практического задания)
Москва 2020 Сеть Хэмминга Искусственная нейронная сеть Хэмминга используется для решения задач классификации бинарных входных векторов. В основе ее работы лежат процедуры, направленные на выбор в качестве решения задачи классификации одного из эталонных образов, наиболее близкого к поданному на вход сети зашумленному входному образу, и отнесение данного образа к соответствующему классу. Для оценки меры близости к каждому классу используется критерий, учитывающий расстояние Хэмминга – количество различающихся переменных у зашумленного и эталонного входных образов. Структурно нейронная сеть Хэмминга включает два слоя (рис. 1), количество нейронов в которых Kравно количеству классов (K = N). Число входов M соответствует числу бинарных признаков, по которым различаются образы. Значения входных переменных принадлежат множеству {–1; 1}. Выходные значения подаются по обратным связям на входы нейронов второго слоя, в том числе свой собственный. Общая постановка задачи, которая решается с помощью нейронной сети Хэмминга, следующая. Имеется исходный набор эталонных образов, представленных в виде бинарных векторов. Каждому из них соответствует свой класс. Требуется для поданного на входы сети неизвестного образа произвести его сопоставление со всеми известными эталонными образами и отнесение к соответствующему классу либо сделать заключение о несоответствии ни одному из классов. Алгоритм жизненного цикла нейронной сети Хэмминга состоит из двух основных стадий: обучения и практического использования. На стадии обучения выполняется следующая последовательность действий: 1.1. Формируется матрица эталонных образов  размера K x M (табл. 1)Н  а стадии обучения выполняется следующая последовательность действий: 1  .1. Формируется матрица эталонных образов размера K x M Рассчитывается матрица весовых коэффициентов нейронов первого слоя:  3. Определяются настройки активационной функции:  4. Задаются значения синапсов обратных связей нейронов второго слоя в виде элементов квадратной матрицы размера K x K:  5. Устанавливается максимально допустимое значение нормы разности выходных векторов на двух последовательных итерациях Emax, требующееся для оценки стабилизации решения. Обычно достаточно принимать Emax =0,1. Для тестирования настроенной сети используем два зашумленных графических образа, показанных на рис. 2.  Сигналы нейронной сети Хэмминга, получаемые на протяжении полного цикла расчета при подаче тестового образа 4 на ее входы, представлены в таб.2.  Как видно из таблицы 2, критерий остановки цикла возврата сигнала по обратным связям выполнен после 4-й итерации. Положительное выходное значение 1-го нейрона указывает на то, что зашумленный входной образ следует отнести к 1-му классу.  В этом случае критерий остановки был выполнен после 7-й итерации, однако уже на 2-й итерации стало понятно, что сеть Хэмминга не может отдать предпочтение 1-му и 3-му классам при отнесении входного зашумленного образа 5. В условиях малого количества входных характеристик следует сделать вывод, скорее, о том, что сеть вовсе не смогла классифицировать образ, чем о том, что она в равной степени отнесла его к двум классам. |
