Нейросетевые модели для систем информационной безопасности. Брюхомицкий Ю.А. - 150 стр.

UptoLike

ВУЗ: 

ТТИ ЮФУ | Таганрог

Составители: 

Рубрика: 

150
Входной слой ВНС как и в других сетях вычислительных функций не
выполняет и служит для приема и распределения компонент входного вектора
Х. Число нейронов входного слоя определяется числом компонент входного
вектора Х. Слой образцов содержит по одному нейрону для каждого образца
входного вектора Х из обучающей выборки. Т.е. при общем
объеме обучающей
выборки, равном L образцов, слой образцов должен иметь L нейронов. В
приведенном на рис. 15.1 примере L=5, L
1
=3, L
2
=2, поэтому слой образцов имеет
5 нейронов: 3 для первого класса и 2 для второго класса. Входной слой и слой
образцов образуют полносвязную структуру. Веса матрицы связей W слоя
образцов определяются значениями компонент соответствующего образца
входного вектора Х. Для входных векторов Х, содержащих N компонент и
представленных L своими образцами, матрица весов W имеет вид
.
...
............
...
...
...
............
...
...
21
22221
112
11
21
22221
11211
NLNN
L
L
NLNN
L
L
xxx
xxx
xxx
www
www
www
==W
(15.4)
Т.е. i-нейрон слоя образцов имеет набор из N весов, соответствующих N
компонентам входного вектора, представленного своим i-образцом (i-столбец
матрицы W).
Слой суммирования содержит число нейронов, равное числу классов, на
которые разбиваются входные образы. Каждый нейрон слоя
суммирования
имеет связи только с нейронами слоя образцов, которые относятся к
соответствующему классу. Все веса связей нейронов слоя суммирования равны
1.
Выходной нейрон выполняет функции дискриминатора пороговой
величины. Он указывает, какой нейрон слоя суммирования имеет
максимальный выходной сигнал. Тем самым определяется класс, к которому
принадлежит предъявленный входной образ. Веса связей нейрона
выходного
слоя устанавливаются так, чтобы на его выходе идентифицировался нейрон
слоя суммирования с наибольшим значением активности.
Функционирование сети. Принцип обучения ВНС несколько отличается
от принципов обучения других типов сетей. Особенностью является то, что
число нейронов в слое образцов определяется числом самих образцов, а
следовательно, параметрами сети, определяемыми непосредственно в ходе
обучения, являются и число нейронов в слое образцов, и значения их весов.
Другими словами, в ходе обучения формируется сама структура ВНС.
Активность i-нейрона слоя образцов определяется на основе функции
Гаусса (15.1). Для этого в соответствии с (15.4) заменим в (15.1) векторы

Страницы