Нейросетевые модели для систем информационной безопасности. Брюхомицкий Ю.А. - 153 стр.

UptoLike

ВУЗ: 

ТТИ ЮФУ | Таганрог

Составители: 

Рубрика: 

153
В рабочем режиме сети предъявляется входной образ X неизвестного
класса, который вначале нормализуется (приводится к виду
X
н
), затем
умножается на матрицу весов
н
i
W
и соответствующим образом активирует
нейроны слоя образцов. Каждый нейрон слоя образцов выдает на своем выходе
некоторый уровень активности y
i
(X). Каждый k-нейрон слоя суммирования
суммирует уровни активности y
i
(X) всех нейронов слоя образцов своего k-
класса и выдает на своем выходе общий уровень активности данного k-класса
Y
k
(X). Выходной нейрон на основании вычисленных сетью уровней активности
по каждому классу Y
k
(X),
mk ,1=
определяет какой нейрон слоя суммирования
имеет максимальный выходной сигнал
Y
k
(X). Тем самым (по номеру k-
нейрона), определяется номер класса k, к которому с большей вероятностью
принадлежит предъявленный входной образ
X.
Пример. В табл. 15.1 (1-й и 2-й столбцы) приведены исходные учебные
данные для классификатора в виде обучающей выборки, состоящей из 16
двухкомпонентных (N=2) векторов
X
i
,
16...,,2,1
=
i
трех классов: А, В и С.
Причем класс А представлен шестью образцами, а классы В и С – пятью
образцами каждый. Классификации подлежит неизвестный входной вектор
X,
имеющий компоненты: х
1
=5,8; х
2
=4,4. Расположение исходных учебных данных
и неизвестного образца иллюстрирует рис. 15.2.
Этап 1.
Проведем нормализацию всех обучающих данных, а также −
неизвестного образца
X. Результаты нормализации учебных данных приведены
в табл. 15.1 (3-й и 4-й столбцы). Нормализация неизвестного вектора
Х дает
н
X
:
,7967,0
н
1
=x 6044,0
н
2
=x
. Расположение нормализованных учебных
данных и нормализованного неизвестного образца иллюстрирует рис. 15.3.
Этап 2
. Проведем обучение сети. Предъявление сети каждого из 16
векторов
н
i
X
сопровождается указанием (учителя) номера k-класса, которому
принадлежит входной образец. После предъявления всех 16 векторов
формируется структура сети и матрица
н
i
W
. На этом процесс обучения ВНС
заканчивается, и сеть готова к классификации неизвестных образцов.
Этап 3.
В рабочем режиме сети предъявляется входной нормализованный
образ
н
X
неизвестного класса, который умножается на матрицу весов
н
i
W
и
соответствующим образом активирует нейроны слоя образцов. Тем самым
вычисляются уровни активности y
i
(X) всех 16 нейронов слоя образцов. Далее
вычисляются общие уровни активности
Y
k
(X) каждого из трех нейронов слоя
суммирования. Из трех уровней активности
Y
k
(X) выбирается максимальное
(0,5459), которое и определяет, что предъявленный входной образ
X с большей
вероятностью принадлежит к первому из трех классов, т.е. – к классу А.

Страницы