Нейронные сети и нейроконтроллеры. Бураков М.В. - 146 стр.

UptoLike

ВУЗ: 

СПб ГУАП | Санкт-Петербург

Составители: 

Рубрика: 

146
Y =
(1,1) 1
(1,2) 1
(3,3) 1
>> Yc = vec2ind(Y)
Yc =
1 1 3
Таким образом, два первых вектора принадлежат к классу 1, а
третий вектор – к классу 3.
Рассмотренные варианты радиально-базисных сетей использу-
ют фундаментальный принцип нелинейного преобразования вход-
ного пространства в скрытое пространство более высокой размерно-
сти. В пространстве более высокой размерности с большей вероят-
ностью возможна линейная разделимость входного пространства,
а также повышается возможность гладкой аппроксимации вход-
выходных данных.
Простая структура RBF-сетей, содержащих только один слой
скрытых нейронов, делает возможным прямой расчет весов сети.
В этом заключается преимущество данных сетей по сравнению с дру-
гими типами НС, которые используют трудоемкие алгоритмы обу-
чения. Впрочем, RBF-сеть также может дообучиваться.
5.5. Радиальные нейронные сети и нечеткие системы
Можно показать, что работа RBF-сети функционально соответ-
ствует работе системы нечеткого логического вывода. Описания
математических основ нечетких логических систем и нечетких
регуляторов можно найти, например, в [38]. Здесь лишь приве-
дем типовую структуру системы нечеткого логического вывода с
n входными переменными (посылками), m правилами и одним за-
ключением. Эту структуру можно представить в виде ИНС прямого
распространения, как показано на рис. 5.18 [52].
Узлы входного слоя просто передают входные сигналы узлам
1-го (скрытого) слоя, которые вычисляют максимальное отклоне-
ние входного сигнала от соответствующей посылки правила.
Веса V описывают посылки правил. Каждый i-й нейрон имеет
свой набор весов {v
ji
}, j = {1, 2, ..., n}, которые соответствуют зна-
чениям посылок правила. Векторы X и V обычно нормализуются.
Каждый нейрон 1-го слоя вычисляет сходство входного вектора
и своего вектора посылок, в результате чего определяется степень
запуска соответствующего правила.

Страницы