Нейросетевые модели для систем информационной безопасности. Брюхомицкий Ю.А. - 116 стр.

UptoLike

ВУЗ: 

ТТИ ЮФУ | Таганрог

Составители: 

Рубрика: 

116
В общем случае, любой входной сигнал может быть описан вектором X =
(x
1
, х
2
, …, х
n
),
ni ,1=
с двоичными компонентами х
i
. Для сети Хопфилда
двоичные компоненты x
i
входного вектора X удобнее кодировать биполярными
сигналами, т.е. состояниями +1 («включено») и –1 («выключено»).
Соответственно, в качестве активационной функции F для нейронов сети
вместо (11.2) используется так называемая signum-функция [19]:
+1, если y
j
> Q
j
;
z
j
= F(y
j
) = –1, если y
j
<
Q
j
, (11.6)
z
j
, если y
j
= Q
j
.
Третье состояние функции в (11.6) иногда присоединяют ко второму
состоянию:
+1, если y
j
> Q
j
;
z
j
= F(y
j
) =
–1, если y
j
≤
Q
j
.
В компактной записи signum-функция имеет вид
z
j
= F(y
j
) = sgn y
j
.
Пусть в системе необходимо запомнить
Lk ,1=
образцов. Обозначим
вектор, описывающий k-образец, через
X
k
. На входы сети предъявим некоторый
произвольный вектор в метрике
X
k
. Этот вектор может совпадать с одним из
образцов
X
k
,
Lk ,1=
или – не соответствовать ни одному из них. Сеть на основе
предъявленных ей данных может выделить («вспомнить») некоторый k-образец,
как самый ближайший к предъявленным данным. Тогда ее выходы будут
содержать именно его, т.е.
Z=X
k
, где Z=(z
1
, z
2
, …, z
n
),
ni ,1=
– выходной
вектор. В противном случае, выходной вектор
Z будет представлять собой
некоторый ложный образ, не совпадающий ни с одним из образцов.
На стадии инициализации (обучения) сети весовые коэффициенты
устанавливаются следующим образом [19]:
⎪
⎩
⎪
⎨
⎧
=
≠⋅
=
∑
ji
jixx
w
L
k
k
j
k
i
ij
,0
,)(
T
, (11.7)
где
k
j
x
– j-элемент вектора X
k
;
()
T
k
i
x
– i-элемент транспонированного вектора X
k
.

Страницы