Нейросетевые структуры и технологии. Часть 1. Электрические и математические модели нейронов. НС прямого распространения. Клюкин В.И - 60 стр.

UptoLike

ВУЗ: 

ВГУ | Воронеж

Составители: 

Рубрика: 

60
i
Þ h
t–i
, где h
t
º h(t) обозначает задержанный сигнал x
t
, а решение задачи
адаптации весов находится из системы дифференциальных уравнений типа
(4.22) с той же заменой. Компьютерный анализ показывает, что учет нели-
нейности фильтра Вольтерри значительно повышает качество прогнозиро-
вания.
Контрольные вопросы
1. В чем причина ограниченности возможностей однослойного пер-
септрона?
2. Приведите структуру и опишите функционирование МСП.
3. В чем сходство и в чем отличие режимов обучения «online» и
«offline» нейронной сети?
4. Каковы основные этапы обучения НС методом обратного распро-
странения ошибки?
5. Чем отличаются методы аппроксимации многомерных функций с
помощью сигмоидальных и радиальных НС?
6. Что составляет математическую основу функционирования RBF–НС?
7. При каких условиях возможно точное решение матричного урав-
нения для определения весов w
i
RBF–НС?
8. Почему математически точное решение матричной системы
уравнений для определения w
i
неприемлемо с практической точки зрения?
9. В чем заключается задача обучения радиальных НС?
10. Какие алгоритмы обучения RBF–НС Вы знаете?
11. Как располагаются центры RBF, если множество обучающих
данных представляет собой непрерывную функцию?
12. Расскажите о характере подбора коэффициента дисперсии s
i
RBF
при обучении радиальных НС.
13. Как осуществляется оптимальный выбор количества скрытых
нейронов RBF–НС?
14. Что показывает сравнительный анализ характеристик сигмои-
дальных и радиальных НС?
Рис. 4.10. Использование НС Вольтерри в качестве
прогнозирующей системы
–
y(t)
НС
Вольтерри
+
Z
–
L
h(t)
d(t)
d(t)
i�  ht–i, где ht � h(t) обозначает задержанный сигнал xt, а решение задачи
адаптации весов находится из системы дифференциальных уравнений типа
(4.22) с той же заменой. Компьютерный анализ показывает, что учет нели-
нейности фильтра Вольтерри значительно повышает качество прогнозиро-
вания.


       d(t)                                                    d(t)
                                                              –
                            h(t)      НС           y(t)
                       –L
                   Z               Вольтерри
                                                          +



                 Рис. 4.10. Использование НС Вольтерри в качестве
                              прогнозирующей системы


     Контрольные вопросы
       1. В чем причина ограниченности возможностей однослойного пер-
септрона?
       2. Приведите структуру и опишите функционирование МСП.
       3. В чем сходство и в чем отличие режимов обучения «online» и
«offline» нейронной сети?
       4. Каковы основные этапы обучения НС методом обратного распро-
странения ошибки?
       5. Чем отличаются методы аппроксимации многомерных функций с
помощью сигмоидальных и радиальных НС?
       6. Что составляет математическую основу функционирования RBF–НС?
       7. При каких условиях возможно точное решение матричного урав-
нения для определения весов wi RBF–НС?
       8. Почему математически точное решение матричной системы
уравнений для определения wi неприемлемо с практической точки зрения?
       9. В чем заключается задача обучения радиальных НС?
       10. Какие алгоритмы обучения RBF–НС Вы знаете?
       11. Как располагаются центры RBF, если множество обучающих
данных представляет собой непрерывную функцию?
       12. Расскажите о характере подбора коэффициента дисперсии �i RBF
при обучении радиальных НС.
       13. Как осуществляется оптимальный выбор количества скрытых
нейронов RBF–НС?
       14. Что показывает сравнительный анализ характеристик сигмои-
дальных и радиальных НС?

                                         60

Страницы