Классификация нейронных сетей

1. Классификация НС

2017 Калуга

2.

Задачи обучения

3. Ассоциативная память

X k Yk , k 1, 2,..., q
Этапы жизни
•Фаза запоминания
•Фаза восстановления

4. Ассоциативная память

Восстановление зашумленных образов

5. Классификация

Отнесение объекта к классу

6. Распознавание образов

Состав системы
Подсистема извлечения признаков
Подсистема классификации
Входной
образ
Сеть
обучаемая
без учителя
для
извлечения
признаков
Вектор
признаков
Сеть, обучаемая с
учителем для
классификации
Выход
1
2
n

7. Аппроксимация функций

d f ( X ),
T X i , di i 1
N
F ( X ) f ( X ) , X
Подзадачи:
•Идентификация
•Инверсные системы

8. Управление

ym
r
+
NN модель
-
e
NN контроллер
y
Объект
u

9. Фильтрация

Фильтрация (cocktail party problem)
Сглаживание
Прогнозирование

10. Обучение сетей

11. Обучение сетей прямого распространения

Обучение перцептрона
Теорема Розенблата
Перцептрон можно научить всему, что он может
представить
Теорема Новикова
Если
D2
0, D step 2

12. Пример обучения нейрона

1
У
0.8
0.6
0.4
0.2
0
1
0.3
1.5
1
2
6
2
3
4
5
6
7
8
w0
1.5
0.5
0.2
1
4
0
1
0.5
0.1
2
-0.5
0.5
0
-1
0
-1.5
-0.1
-0.5
-2
0.1
-1
0
w1
0.2
0.5
0.15
0.2 -0.5
0.410.20.4
0.61.50.25
0.8
00.62 0.3
1 2.5
0.81.2
0.5
0.35 3 1.41 0.43.5
1.6
1 1.2
0.45
1.8
4
1.5
0.5
1.4
4.5
2
Х
Подать Х
Получить У
Вычислить
коррекцию W