Neuronové sítě

Perceptron

Adaline

  • Adaptive Linear Neuron.
  • pro vstupy obvykle bipolární aktivace (1 nebo -1),
  • výstup nejčastěji bipolární.

Adaptační algoritmus

  1. Inicializace vah malými náhodnými hodnotami. Přiřazení inicializační hodnoty koeficientu učení α .
  2. Dokud není splněna podmínka ukončení:
    • Pro každý bipolární tréninkový pár s:t (tj. vstupní vektor s a příslušný výstup t)
      1. Aktivovat vstupní neurony: <m>x_i = s_i</m>.
      2. Vypočítat skutečnou hodnotu na výstupu:
        • <m>y = b + sum{i}{}{x_i w_i}</m>
      3. Aktualizovat váhové hodnoty a i = 1, …, n:
        • <m>w_i(new) = w_i(old) + α(t - y)x_i</m>
        • <m>b(new) = b(old) + α (t - y)</m>
  3. Podmínka ukončení:
    • jestliže největší změna váhových hodnot, která se vyskytuje v kroku 2 je menší než maximální povolená chyba, stop
    • jinak, pokračovat

Madaline

  • Many Adaptive Linear Neurons
  • Základním prvkem modelu je neuron Adaline

Backpropagation algoritmus

Fáze algoritmu

  1. dopředné (feedforward) šíření vstupního signálu tréninkového vzoru,
  2. zpětné šíření chyby,
  3. aktualizace váhových hodnot na spojeních.

GMDH MIA

  • MIA (Multilayer Iterative Algorithm)
  • Patří mezi parametrické sítě
    • založen na postupné indukci,
    • roste z minimální formy,
    • během učení se nastavují její parametry,
    • perspektivní neurony (jednotky) přežívají,
    • tvorba sítě ukončena, když už přidávání dalších vrstev nezlepšuje přesnost sítě.
  • Učí se s učitelem.
    • síť vzniká vrstvu po vrstvě,
    • při učení se přidávají skryté vrstvy, dokud není splněno kritérium kvality výstupu.
  • Jediný typ neuronů.

Neuron GMDH typu MIA

Proces tvorby GMDH MIA

  • Máme data v obvyklé formě
  • pro každý vektor hodnot vstupních proměnných v1,…,v5 známe výstup y (učení s učitelem).
  • Konstruujeme síť s přenosovou funkcí f, která bude modelem systému – pro každý vstupní vektor poskytne výstup blížící se y
  • Tvoříme první vrstvu.
    • Každý neuron (jednotka) se snaží co nejlépe určit y ze dvou vstupů , ke kterým je připojen.
    • Neurony které vygenerujeme nazveme počáte č ní populace.
    • Generuje tolik neuronů , kolik je všech možných kombinací dvojic vstupů (pairwise combinations).
    • Následuje proces selekce.
    • Podle kritéria (viz dále) vybereme neurony, které ve vrstvě zachováme.
    • Ostatní neurony zrušíme – umírají. Analogie s genetickými algoritmy, ale zde je jen jedna generace.
    • Vybrané neurony ve vrstvě zmrazíme – dále už se nebudou měnit.
  • Přidáme další vrstvu.
    • Vytvoříme počáteční populaci připojenou k neuron ů m předchozí vrstvy.
    • Tyto neurony pro nás vlastně předzpracovávají data ze vstupní vrstvy.
    • Každý neuron 2. vrstvy můžeme chápat jako výstup modelu obsahujícího neurony sítě, s nimiž je spojen.
    • Opět selekce.
    • Každý neuron 2. vrstvy můžeme chápat jako výstup modelu obsahujícího neurony sítě, s nimiž je spojen.
    • Tyto modely – stejně složité – spolu bojují o přežití.
  • Pokračujeme v přidávání vrstev, dokud je to výhodné (viz dále).
  • Optimální model – model y vyhrál v poslední vrstvě.
    • Všechny neurony, k nimž není připojen, jsou smazány.
school/fit/miadm/neuronovesite.txt · Last modified: 2018-06-21 19:48 (external edit)
CC Attribution-Noncommercial-Share Alike 4.0 International
Driven by DokuWiki Recent changes RSS feed Valid CSS Valid XHTML 1.0