Нейросетевые модели для систем информационной безопасности. Брюхомицкий Ю.А. - 145 стр.

UptoLike

ВУЗ: 

ТТИ ЮФУ | Таганрог

Составители: 

Рубрика: 

145
.
...
............
...
...
21
22221
11211
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
NNNN
N
N
QQQ
QQQ
QQQ
Q
При этом
.)()(
ттт
2
XQQXXQXQX ⋅⋅⋅=⋅⋅⋅=
Q
Если обозначить произведение матриц Q
т
·Q матрицей корреляции K, то в
общем случае получим
.
11
2
ji
N
i
N
j
ij
Q
xxK ⋅⋅=
∑∑
==
X
При использовании в качестве радиальной функции − функции Гаусса, с
учетом масштабирования она будет иметь
)],()(
2
1
exp[
)]()(exp[)()(
т
тт
iii
iiiii
Qi
ii
CXKCX
CXQQCXCXX
−⋅−−=
=−⋅⋅−−=−ϕ=ϕ
где матрица
i
C
2
1
играет роль скалярного коэффициента
2
2
1
i
σ
стандартной
многомерной функции Гаусса.
Обучение РНС. В том случае если m=L, то центры C
i
радиальных функций
известны заранее (C
i
=Х
i
), и задача обучения РНС сводится к решению
избыточной системы линейных уравнений (14.4). Значение параметра σ
i
радиальных функций можно легко подобрать экспериментальным путем при
соблюдении определенного компромисса между монотонностью и точностью
отображения.
Если m
<
L, то вектор весов выходного слоя вычисляется за один шаг по
формуле (14.5) и остается подобрать параметры радиальных функций. Одним из
простейших способов, хотя и не самым эффективным, считается их случайный
выбор параметров. При этом центры C
i
базисных функций выбираются
случайным образом на основе равномерного распределения. Такой подход

Страницы