Прогнозировани?це?на рынк?драгоценны?металлов ?помощь?нейронны?сете?/h1>
Дипломная работа - Компьютеры, программирование
Другие диплом?по предмету Компьютеры, программирование
?мация представлена ?форм?действительных чисе?
сети ?двоичной входно?информацие?- вся входная информац? ?таки?се??представ?ет? ?виде нуле??единиц.
?зависимост?от применяемой модели нейронно?сети, нейросет?можн?разделит?на четыре класса: сети прямого распространения, реккурентные сети, радиальн?базисные функци??самоорганизующие? карт?ил?Сети Кохонена.
?се??прямого распространения вс?связи направлены строго от входны?нейронов ?выходным. ?таки?се??отно?тся, например: простейший персептрон (разработанны?Розенблаттом) ?многослойный персептрон.
?реккурентных нейросетя?сигнал ?выходных нейронов ил?нейронов скрытого сл? частично передает? обратн?на вход?нейронов входного сл?.
Радиальн?базисные функци?- ви?нейронно?сети, имеющи?скрыты?слой из радиальных элементо??выходной слой из линейных элементо? Сети этог?типа довольно компактн??быстро обучаются. Предложены ?работа?Broomhead and Lowe (1988) ?Moody and Darkin (1989). Радиальн?базисн? сеть обладает следующими особенностями: один скрыты?слой, только нейрон?скрытого сл? имею?нелинейную активационну?функци??синаптически?веса входного ?скрытого слое?равн?единиц?
Самоорганизующие? карт?ил?Сети Кохонена - тако?клас?сете? ка?правил? обучается бе?учителя ?успешн?применяет? ?задача?распознавания. Сети такого класса способны выявлять новизн?во входны?данных: если посл?обучен? сеть встретит? ?наборо?данных, непохожи?ни на один из известны?образцов, то он?не сможет классифицировать тако?набо??те?самы?выяви?ег?новизн? Сеть Кохонена имее?всег?дв?сл?: входно??выходной, составленный из радиальных элементо?
Нейрон представ?ет собо?единиц?обработк?информации ?нейронно?сети. На рисунк?ниже приведен?модель нейрон? лежащего ?основе искусственны?нейронны?сете?
Ри?1.2. Модель нейрон
?этой модели нейрон?можн?выделить тр?основных элемента:
синапс? каждый из которы?характеризуется свои?весо?ил?сило? Он?осуществ?ют связь межд?нейронам? умножают входно?сигнал на весово?коэффициен?синапс?, характеризующи?силу синаптическо?связи;
сумматор, аналог тела клетки нейрон? Выполняет сложение внешни?входны?сигналов ил?сигналов, поступающи?по синаптически?свя??от других нейронов. Опреде?ет уровен?возбуждения нейрон?
функция активаци? опреде?ет окончательны?выходной уровен?нейрон? ?которы?сигнал возбуждения (торможен?) поступае?на синапс?следующи?нейронов[12]. Наиболее част?используют? следующи?функци?активаци?
. Единичны?скачок ил?жесткая пороговая функция. Простая кусочн?линейн? функция. Если входно?значение меньше порогового, то значение функци?активаци?равн?минимальному допустимом? инач?- максимальн?допустимом?
Ри?1.3. Жесткая пороговая активационная функция
. Линейный поро?ил?гистерезис. Несложная кусочн?линейн? функция. Имее?дв?линейных участк? гд?функция активаци?тождественно равн?минимально допустимом??максимальн?допустимом?значению ?есть участо? на которо?функция строго монотонн?возрастает.
Ри?1.4. Линейн? пороговая активационная функция
. Сигмоидальная функция ил?сигмои? Монотонн?возрастающ? всюд?дифференцируем? S-образн? нелинейн? функция ?насыщением. Сигмои?позволяет усиливат?слабые сигнал??не насыщать? от сильны?сигналов.
Примером сигмоидально?функци?активаци?може?служит?логистическая функция, задаваем? следующи?выражением: , гд? - параметр наклон?сигмоидально?функци?активаци? Изме?я этот параметр, можн?построит?функци??различно?крутизно?
Ри?1.5. .Логистическая активационная функция
Следуе?отметить, чт?функци?активаци?типа единичного скачка ?линейног?порога встречаются очен?редк?? ка?правил? используют? на учебны?примерах. ?практических зада?почт?всегда применяет? сигмоидальная функция активации[14].
Модель нейрон?имитируе??первом приближени?свойства биологического нейрон? На вход искусственного нейрон?поступае?некоторо?множеств?сигналов, каждый из которы?являет? выходо?другог?нейрон? Каждый вход умножает? на соответствующи?ве? пропорциональный синаптическо?силе, ?вс?произведен? суммируются, опреде?я уровен?активаци?нейрон?
Хо? сетевы?парадигм?весьма разнообразны, ?основе почт?всех их лежи?эт?модель нейрон? Здес?множеств?входны?сигналов, обозначенных , , тА?поступае?на искусственны?нейрон. Эт?входны?сигнал? ?совокупности обозначаемые вектором , соответствую?сигналам, приходящи??синапс?биологического нейрон? Каждый сигнал умножает? на соответствующи?ве?, , тА??поступае?на суммирующи?блок, обозначенный . Каждый ве?соответствуе?силе одно?биологическо?синаптическо?связи. Множеств?весо??совокупности обозначает? вектором . Суммирующи?блок, соответствующи?телу биологического элемента, складывает взвешенные вход?алгебраическ? создав? выхо?. Дале? поступае?на вход функци?активаци? опреде?я окончательны?сигнал возбуждения ил?торможен? нейрон?на выходе. Этот сигнал поступае?на синапс?следующи?нейронов ???
Рассмотренная простая модель нейрон?игнорирует многие свойства своего биологического двойника. Например, он?не принимае?во внимание задержки во времен? которы?воздействуют на динамику систем? Входны?
Copyright © 2008-2014 geum.ru рубрикатор по предмета?/a> рубрикатор по типа?рабо?/a> пользовательское соглашение