Logo GenDocs.ru

Поиск по сайту:  

Загрузка...

Лекции - Интеллектуальные информационные системы - файл 1.doc


Лекции - Интеллектуальные информационные системы
скачать (554.5 kb.)

Доступные файлы (1):

1.doc555kb.15.11.2011 19:56скачать

содержание
Загрузка...

1.doc

1   2   3   4
Реклама MarketGid:
Загрузка...

^ 9.2 Семантические сети

Термин семантические сети означает “смысловая”.

А сама семантика – наука, которая устанавливает отношения между символами и объектами, которые они объясняют. Наука, определяющая смысл знаков.

Семантическая сеть – ориентированный граф, вершины которого представляют понятия, а линии (дуги) представляют отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты.

Отношения – это связи между этими объектами.

Характерная особенность семантических сетей – это обязательное наличие 3 типов отношений.

Пример: класс – элемент класса, свойство – значение.

Пример элемента класса.

Существует несколько классификаций семантических сетей:

  1. По количеству отношений

  1. Однородные с единственным типом отношений;

  2. Неоднородные с различными типами отношений.

  1. По типам отношений

  1. Бинарные сети – в которых отношения связывают 2 объекта;

  2. Парные сети – в которых отношения связывают более чем 2 понятия.

Наиболее часто используются в семантических сетях:

  1. Связь “часть – целое” (класс подкласс, элемент - множество);

  2. Функциональные связи (производит, владеет);

  3. Количественные отношения (A > 0, B < 0);

  4. Пространственные отношения (далеко от, близко от, над, за и т.п.);

  5. Временные (раньше, позже, одновременно);

  6. Атрибутивные (иметь свойство, иметь значение);

  7. Логические связи – и, или, не.

Проблема поиска решения в базе знаний типа семантической сети

сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.




Рисунок 8 – Модель


Преимущества модели:

- совпадает с тем, как человек познает мир;

- соответствие долговременной памяти человека.

Недостатки:

- сложность с поиском вывода.

Реализации: NET, PROSPECTOR, CASNET, TORUS – языки представления знаний в виде семантической сети.


9.3 Фрейм

Frame – рамка

Frame – как структура знаний для восприятия пространственных сцен.

Под фреймом понимается абстрактный образ или ситуация.

Абстрактный образ. Пример:

Слово “комната” – ассоциируется с образом жилого помещения с окнами, дверьми, полом и потолком и с площадью равной примерно 6-20 кв. метров. Есть пустые места – количество окон, цвет стен, высота потолка и т.д.

В теории фреймов такой образ называют фреймом.

Фреймом называют формализованную модель для отображения образа.


^ 9.4 Структура фрейма



Рисунок 9 – Структура фрейма


Слотом может являться другой фрейм.

Различают фреймы – образцы (прототипы, которые хранятся в базе данных, и фреймы – экземпляры, которые создаются для отражения реальной ситуации, на основе поступающих данных.

Пример:

Магазин – образец;

Булочный магазин – экземпляр.

Модель фреймов является действительно универсальной, т.к. позволяет отображать все множество знаний о мире через следующие фреймы:

  1. Фрейм - структура – предмет или понятие;

  2. Фрейм – роль;

  3. Фрейм – сценарий;

  4. Фрейм – ситуация.

Важнейшим свойством теории фреймов является заимствование из

теории семантических сетей полезных свойств

AKO – связи (a kind of - это)

Слот АКО указывает на фрейм более высокого уровня иерархии, откуда наследуется свойство.


23.03.2009

Ч

АКО

Умеет

Млекопитающее

Мыслить


АКО

Возраст

Рост

Люб.

Человек

0-16 лет

50 - 180см


АКО

Учится

Возр


В школе

Сладкое

Ребенок

7 – 17 лет
еловек Ребенок Учится


Рисунок 10 – Сеть фреймов


Основное преимущество фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также гибкость и наглядность.

Существует специальный язык представления знаний в сетях фреймов. FRL, на них построены промышленные экспертные системы ANALIST, НОДИС.


  1. ^ Формальные модели

Основная идея подхода при построении формальных логических моделей представления знаний. Вся информация, необходимая для решения прикладных задач, рассматриваемых как совокупность фактов и убеждений, которые представляются как формулы в некоторой логике.

Знания отображают совокупность таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

В основе логических моделей представления знаний находится понятие формальной теории. Понятие задается кортежем:

S = <B, F, A, R>

B – смежное множество базовых символов.

F – множество, называемое формулами.

R – выделение подмножеств.

К – конечное множество отношений между формулами, множество называют правилом вывода.

Достоинства логических моделей представления знаний.

  1. В качестве фундамента используется классический аппарат математической логики, методы, которые хорошо изучены и формально обоснованы.

  2. Существуют достаточно эффективные процедуры вывода, в том числе реализованные на языке логического программирования – PROLOG.

  3. В базах знаний можно хранить лишь множество аксиом, а все остальные знания получают путем логического вывода.




  1. ^ Экспертные системы

Система, основанная на знаниях. Назначение – решение достаточно трудных для экспертов задач на основе имеющихся баз знаний, отражающих опыт работы экспертов в данной области.

Достоинство данных систем заключается в возможности принятия решения в уникальных ситуациях, для которых алгоритм заранее известен и формируется по исходным данным в виде цепочки рассуждений(правил принятия решения) из базы знаний.

Решение задачи предполагает осуществление в условиях неполноты, недостоверности, условий многозначности исходной информации и категорий оценок процессов.

Экспертная система является инструментом, которая усиливает интеллектуальные способности человека (эксперта) и может выполнять следующие роли:

  1. Консультирование для неопытных пользователей.

  2. Ассистент в связи с необходимостью анализа экспертом различных вариантов принятия решения.

  3. Партнер эксперта по вопросам, относящимся источнику знаний из сложной области деятельности.

Архитектура экспертных систем включает следующие компоненты – база знаний, программные инструменты и обработчики знаний, которые состоят из механизма вывода заключений, преобразования знаний, объяснения полученных результатов и интеллектуального интерфейса.

Основная ценность в базе знаний – совокупность единиц знаний, которые представляют собой формализованные представления, отражения объектов проблемной области и взаимодействий, действий над объектами и другие элементы.




Рисунок 11 – Схема экспертной системы


П – пользователь

Э – эксперт

ИИ – интеллектуальный интерфейс

МВ – машина вывода

МО – машина объяснения

БЗ – база знаний

МПЗ – механизм приобретения знаний

ИЗ – инженер знаний

ЭС – экспертная система

Интеллектуальный интерфейс – программный интерфейс, который воспринимает сообщения пользователя и преобразует их в форму, которая может быть представлена в базе знаний и наоборот.

Машина вывода – программный инструмент, который получает от интеллектуального интерфейса запрос и реализуется логический вывод (ответ на запрос).

Машина объяснения – в процессе решения задачи пользователь может запросить объяснения принятого решения (HOW? и WHY?).


24.03.09

Организация базы знаний

12. Механизм приобретения знаний

База знаний отражает знания экспертов в проблемной области о действиях в различных ситуациях или процессах решения характерных задач. Выявлением этих знаний и последующим их представлением в базе знаний занимаются специалисты – инженеры знаний. В простейшем случае механизм приобретения знаний представляет собой интеллектуальный редактор, который позволяет вводить эти данные в базу и проводить их синтаксический и семантический контроль (например, на непротиворечивость).

^ 13. Классы экспертных систем

По степени сложности решаемых задач экспертные системы классифицируют по следующим признакам:

1) По способу формирования решения системы разделяют на 2 класса: аналитические и синтетические. Аналитические предполагают выбор решения из множества известных альтернатив. Синтетические предполагают генерацию решений (формирование объекта).

2) По способу учета временного признака: статические и динамические. Статические решают задачи при неизменяемых в процессе решения знаниях. Динамические допускают такие изменения. Статические системы допускают монотонное решение задачи от ввода исходных данных до конечного результата. Динамические предусматривают возможность пересмотра в процессе решения полученных ранее результатов.

3) По видам используемых данных и знаний: системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний понимается их неполнота или отсутствие, двусмысленность, нечеткость.

4) По числу используемых источников знаний: с использованием одного источника и множества; альтернативные и дополняющие друг друга.




Анализ

Синтез




Детерминированная

Классифицирующие

Трансформирующие

Один источник знаний

Неопределенность

Доопределяющие

Многоагентные

Множество источников знаний




Статика

Динамика




^ 14. Классифицирующие экспертные системы

К аналитическим задачам относятся задачи распознавания различных ситуаций, когда по набору заданных функций выявляется сущность некоторой ситуации, в зависимости от которой выявляется последовательность действий в соответствии с исходными условиями. Среди альтернативных решений определяется одно решение, которое наилучшим образом удовлетворяет поставленным целям и ограничениям. Системы, решающие задачи распознавания ситуаций, определяют принадлежность анализируемой ситуации некоторому классу. Для формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.

^ 15. Доопределяющие экспертные системы

Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и знаний. В этом случае экспертная система должна доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве метода работы с неопределенностью могут использоваться вероятностный подход и нечеткая логика. Они могут использовать для формирования несколько источников знаний. В этом случае могут использоваться различные эвристические приемы выбора единицы знаний и их набора, например, на основе использования приоритетов. Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:

1) Интерпретация данных – выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное значение - определение сущности рассматриваемой ситуации, выбор гипотез исходя из фактов.

2) Диагностика – выявление причин, которые привели к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных факторов. Например, выявление факторов снижения эффективности производства.

3) Коррекция – диагностика, дополненная возможностью оценки и реализации действий.

^ 16. Трансформирующие экспертные системы

В отличие от аналитических, статических экспертных систем, синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характеристикой результата, которую нельзя заранее предопределить, а также динамичностью самой проблемной области. В качестве методов решения задач трансформирующей системы используются системы гипотетического вывода:

1) генерация, тестирование – когда из исходных данных осуществляется генерация гипотез, а затем проверка сформированных гипотез на подтверждение поступающими фактами;

2) предположение и умолчание – когда по исходным данным подбираются знания на аналогичных классах, которые в дальнейшем адаптируются к конкретной ситуации;

3) использование общих закономерностей в случае неизвестных ситуаций, которые позволяют генерировать недостающие знания.

^ 17. Многоагентные системы

Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой полученными результатами на динамической основе. Например, через доску объявлений.



Рисунок 12 – Схема многоагентной системы

ИЗ – источник знаний.

Для многоагентных систем характерны следующие особенности:

1) проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

2) распределенное решение проблем, которые разбиваются на подпроблемы;

3) применение множества стратегий, работы механизма вывода заключений в зависимости от типа решаемой задачи;

4) обработка больших массивов данных, содержащихся в базе данных;

5) использование различных математических моделей и внешних процедур, хранимых в базе моделей, способность прерывания решений задач в связи с необходимостью получения дополнительных знаний и данных от пользователей модели параллельно решаемых подпроблем.

Для синтезирующих динамических систем наиболее применимы предметные (проблемные) области:

1) проектирование, определение конфигурации с точки зрения достижения заданных критериев эффективности и ограничений;

2) прогнозирование – предсказание последствий развития ситуации на основе моделирования;

3) диспетчирование – распределение работ во времени, составление расписаний, планирование;

4) планирование – выбор последовательности действий пользователя по достижению цели;

5) мониторинг – слежение за текущей ситуацией с возможной последующей коррекцией;

6) управление – мониторинг, дополненный реализацией действий в автоматической системе.

^ 18. Самообучающиеся системы

В основе этих систем лежат методы автоматической классификации. Примеры реальных ситуаций:

- обучающая выборка: с учителем, когда для каждого примера в явном виде задается значение признака его принадлежности к некоторому классу; без учителя – система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяется принадлежность ситуации к конкретному классу. Таким образом формируется база знаний. Далее система корректируется по мере накопления опыта.

Общие недостатки:

1) возможна неполнота или зашумленность обучаемой выборки и как следствие относительная адекватность БЗ к возникающим проблемам;

2) проблемы с плохой смысловой ясностью, зависимости признаков, неспособностью объяснения;

3) ограничение в размерности признаков пространства.

^ 19. Индуктивные системы

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств, относящихся к одним и тем же подклассам и определению для них значимых признаков. Процесс классификации осуществляется следующим образом:

1) выбирается признак классификации;

2) по значению выбранного признака множество разбивается на подмножества;

3) выполняется проверка (принадлежит ли подмножество одному классу);

4) осуществляется проверка;

5) для подмножества примеров с несовпадением классообразующего признака процесс классификации продолжается с пункта 1.

Процесс классификации можно представить с помощью дерева решений.

^ Классифицирующий признак

Признак классификации

Цена

Спрос

Конкуренция

Издержки

Качество

Низкая

Низкий

Маленькая

Маленькие

Низкое

Высокая

Низкий

Маленькая

Большие

Высокое

Высокая

Высокий

Маленькая

Большие

Низкое

Высокая

Высокий

Маленькая

Маленькие

Высокое

Высокая

Высокий

Маленькая

Маленькие

Низкое

Высокая

Высокий

Маленькая

Большие

Высокое

Анализ новой ситуации сводится к выбору ветви действия, которая полностью определяет эту ситуацию. Поиск решения осуществляется в результате последовательной проверки признаков классификации, каждая ветвь дерева соответствует одному правилу решения.

^ 20. Нейронные сети

Особенностью интеллектуальных систем является способность решать слабоструктурированные и плохо формализованные задачи. Эта способность основана на применении различных методов моделирования рассуждений для обработки символьной информации. Традиционным подходом, механизмом рассуждения является использование дедуктивного логического вывода на правилах, которые применяются в системах продукционного и логического типа. При таком подходе необходимо заранее сформулировать весь набор закономерностей, которые описывают предметную область. Альтернативный подход основан на концепции обучения по примерам (CBR – cased based reasoning). В этом случае не требуется знать обо всех закономерностях данной системы. Но необходимо располагать достаточным количеством примеров для настройки разрабатываемой адаптивной системы, которая после обучения будет способна получать требуемые результаты с определенной степенью достоверностью. В качестве таких адаптивных систем применяются искусственные нейронные сети.

^ 21. Модель искусственного нейрона

ИНС – упрощенная модель ткани головного мозга.



Рисунок 13 – Схема биологического нейрона


Нервная клетка состоит из тела (сома, ядро) и отростков (дендриты), по котором в нейрон поступают входные сигналы. Один из отростков служит для передачи выходных сигналов данного нейрона другим нервным клеткам. Он называется аксоном. Соединение аксона с дендритом другого нейрона называется синапсом. Нейрон возбуждается и передает сигнал через аксон, если число пришедших по дендритам возбуждающих сигналов больше числа тормозящих. Принятые синапсом тела сигнала подводится к телу нейрона, причем одни входы стремятся возбудить, другие - напротив.

Каждый нейрон, и искусственный, и естественный, характеризуется функцией преобразования, функцией возбуждения нейрона. Нейроны в сети могут иметь одинаковые или разные функции возбуждения. Сигналы, которые поступают на вход, неравнозначны, информация из одного источника может быть более важной.


30.03.2009

(функция возбуждения)

Поскольку нейронов много, то нейроны могут иметь различные функции возбуждения.

Сигналы, которые поступают на вход не равнозначны в том смысле, что информация из одного источника может быть более важной, чем из другого источника.

Приоритеты входов задаются с помощью так называемых векторов весовых коэффициентов, моделирующих синоптическую силу биологических нейронов.




Рисунок 14 – Модель искусственного нейрона



Модель искусственного нейрона представляет собой дискретный преобразователь непрерывной информации.

Это информация, поступающая на вход нейрона, суммируется с учетом весовых коэффициентов сигнала.

n – размерность пространства входных сигналов;

P – потенциал нейрона;

P преобразуется с помощью передаточной функции f(p) и передается другим нейронам сети;

f(p) – активационная функция.

В общем случае эта функция может быть ступенчатой, линейной или нелинейной.



Рисунок 15 – Линейная функция



Рисунок 16 – Ступенчатая (пороговая) функция




Рисунок 17 – Сигмаидальная (логистическая) функция


Пороговая функция пропускает информацию только в том случае, если алгебраическая сумма входных сигналов превышает некоторую величину.



Пороговая функция не обеспечивает достаточной гибкости искусственной нейронной сети в процессе обучения.

Если значение вычислительного потенциала не достигает заданного порога, то выходной сигнал не формируется (не срабатывает).

Это приводит к снижению интенсивности выходного сигнала нейрона и как следствие к формированию невысокого значения потенциала взвешенных входов в следующем слое нейрона.

Линейная функция дифференцирована и легко вычисляется. Это в ряде случаев позволяет уменьшить ошибки выходных сигналов сети, т.е. передаточная функция сети также является линейной.

Однако она не универсальна, т.е. не обеспечивает решение многих задач. Компромиссным решением является сигмаидальная функция.



Эта функция удачно моделирует истинную характеристику биологического нейрона.

Коэффициент k определяет крутизну нелинейной функции.

Подобно ступенчатой функции, сигмаидальная функция позволяет выделять в пространстве признаков различные множества – не выпуклые, не связанные.

При этом сигмаидальная функция не имеет разрывов.

Пик функции переноса выбирается с учетом конкретной задачи, решаемой с применением нейронных сетей.

В задачах аппроксимации и классификации предпочтение отдают логистической (сигмаидальной) функции.

^ Нейронная сеть представляет собой совокупность искусственных нейронов, организованных слоями – выходы одного нейрона соединяются со входом другого нейрона.

В зависимости от топологии нейрона, нейронные сети подразделяются на:

  1. Одно – и многоуровневые;

  2. С обратными связями и без.

Связи между слоями могут иметь различную структуру.

В однолинейный сетях каждый нейрон нижнего слоя связан с одним

нейроном верхнего слоя.

Если каждый нейрон нижнего слоя соединен с несколькими нейронами верхнего слоя, то получается пирамидоидальная сеть.

Воронкообразная схема предполагает связь каждого узла верхнего слоя со всеми узлами нижнего уровня.

Чтобы решить конкретную задачу с помощью нейронной сети, нужно выбрать нужный тип соединений нейронов, определить вид передаточных функций элементов и подобрать весовые коэффициенты межнейронных связей.


^ 22. Модели нейронных сетей

Разработчики теории – Маккалон и Питтс.

Главные результаты нейронных сетей сводились к следующему:

  1. Модель нейрона в виде простейшего процессорного элемента, который вычисляет значение некоторой функции.

  2. Конструкция нейронной сети для выполнения логических и арифметических операций.

  3. Высказывалось предположение, что нейронная сеть способна обучаться, распознавать образы и обобщать полученную информацию.

Фрэнк Разенблатт (1958 г.) ввел понятие перцептрона – модели

нейронных сетей.

Разенблатт ввел возможность модификации межнейронных связей. Это сделало нейронную сеть обучаемой.

Первые перцептроны могли распознавать буквы алфавита.

Алгоритм обучения перцептрона:

  1. Системе предъявляется эталонный образ;

  2. Если результат распознавания совпадает с заданным, то весовые коэффициенты не изменяются;

  3. Если нейронная сеть неправильно распознает результат, то весовым коэффициентам дается приращение в сторону повышения качества распознавания.

Перцептрон имеет ограниченные возможности, поскольку не всегда

существует такая комбинация весовых коэффициентов, при которой заданное множество образов будет распознаваться правильно.

Причина в том, что однослойный перцептрон реализует линейную разделенную поверхность пространства эталона, вследствие чего происходит неверное распознавание, если модель не является сепарабельной.

Сепарабельность – свойство такого пространства, для бесконечного множества элементов которого может быть задан счетный скелет, центр которого обладает центром тяжести, вокруг которого группируются отдельные классы близких по параметрам элементов.

Пространство является нормированным и для него могут быть определены основные свойства нормированного пространства:

- метрика;

- сепарабельность;

- связность;

- конформность.

В метрическом пространстве каждой модели с уникальным набором координат соответствует свой уникальный вектор и единственная точка.

Малое изменение отдельных координат модели приводит к малым изменениям модели и к малым перемещениям точки.

Сепарабельность приводит к тому, что все множество элементов пространства может быть разделено на отдельные подмножества моделей, похожих по определенным признакам.

Конформность означает что объем, заданный некоторым множеством моделей в пространстве, может произвольным образом без разрывов деформироваться в целом или своими локальными частями.

Связность предполагает, что множество моделей пространства представляет собой единую унитарную структуру в случае односвязности.

Либо в случае многосвязности, распадается по каким-то признакам на отдельные подмножества.

Для решения проблем были предложены модели многослойных перцептронов, которые были способны строить ломаную линию.


06.04.2009

23. Многослойные сети.



Рисунок 18 - Схема многослойного персептрона

Устанавливаются связи только между нейронами соседних слоев. Каждый слой соединен модифицированной связью с любым нейроном соседних слоев. Между нейронами одного слоя связей нет. Каждый нейрон может посылать сигнал только в вышестоящий слой и принимать выходной сигнал только из нижестоящего слоя. Выходные сигналы подаются на нижний слой, а выходной вектор определяется путем последовательных вычислений уравнений активных элементов каждого слоя снизу вверх с использованием уже известных значений активных элементов предшествующих слоев.

При распознавании образов входной вектор соответствует наибольшему признаку, а выходной- распознаваемым образам:

4-7-4-3

Число нейронов в следующем слое в два раза меньше, чем предыдущем.

Простой персептрон формирует границы области решений в виде гиперплоскости. Двухслойный персептрон выполняет множество функций.


^ 24. Рекуррентные сети.

Эти сети содержат образы связей. Благодаря им становится возможным получать отличные значения при одних и тех же входных данных.




Рисунок 19 - Схема рекуррентной сети


Особенность способа заключается в представлении появления новых объектов.


^ 25. Модель Хопфилда.

В данной модели также используются правила Хебба. Основана на простом предположении, которое заключается в том, если два нейрона возбуждены вместе, то сила связи возрастает, если порознь, то уменьшается связь. Сеть Хопфилда строится с учетом следующих условий:

  1. Все элементы связаны со всеми;

  2. Прямые и обратные связи симметричны;

  3. Диагональные элементы матрицы связей равны 0, т.е. исключаются обратные связи с выходом на входе одного нейрона.

Сеть Хопфилда может выполнять функции ассоциативной памяти,

обеспечивая сходность к тому образу, в область которого попадает начальный образец. Этот подход привлекателен тем, что нейронная сеть запрограммирована без обучения итераций.

Хопфилд выявил функции энергии нейронной сети.

Это функциональное описание поведения сети через стремление к минимуму энергии, которое соответствует заданному набору образов. Веса связей вычисляются на основе вида функции энергии.

Машина Больцмана развивает теорию Хопфилда. Ее предложили Хинтон и Земел. Используется для решения комбинаторных задач. Эти сети получили применение в основе реализации подсистем более сложных. Эти сети также имеют определенные недостатки. Недостатки заключаются в:

  1. Предположении о симметричности связи между элементами, без которых нельзя ввести понятие энергии.

  2. Нейронная сеть – это устройство для запоминания и обработки информации. Закон энергии играет вспомогательную роль, а не устраивает минимизацию энергии. Сеть Хопфилда поддерживает много лишних связей. В реальности система этого не поддерживает. Происходит освобождение от сильных связей за счет их структуризации. При этом вместо органов связи всех со всеми используется многослойная иерархическая система связи.

^ 26. Самоорганизованные сети Кохонена.

Идея сетей с самоорганизацией на основании конкуренции между нейронами базируется на применении специальных алгоритмов самообучения(ИНС).

Сети Кохонена обычно содержат один выходной слой обработки элементов с пороговой передаточной функцией. Число нейронов в выходном слое соответствует комплексному распознаванию классов.

Настройка параметров межнейронных соединений проводится автоматически на основе меры близости векторов - весовых коэффициентов настраиваемых связей к вектору входного сигнала в евклидовом пространстве. В конкурентной борьбе побеждает нейрон со значениями весов наиболее близком к нормализованным векторов входных сигналов. Кроме того в самоорганизованных сетях возможна классификация входных образцов.

1   2   3   4



Скачать файл (554.5 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации
Рейтинг@Mail.ru