Искусственные нейронные сети. Сивохин А.В - 99 стр.

            Лабораторная работа № 10

  Исследование радиальных базисных
                сетей
              типа PNN
   Цель работы: изучение архитектурных особенностей радиальных
базисных нейронных сетей типа PNN и специальных функций для их
создания, автоматической настройки весов и смещений и конкури-
рующей активации; ознакомление с демонстрационным примером и
его скриптом; приобретение навыков построения таких сетей для
решения задач классификации на основе подсчёта вероятности при-
надлежности векторов к рассматриваемым классам и для решения
других вероятностных задач.

              Теоретические сведения
   Радиальная базисная сеть типа PNN (Probabilistic Neural
Networks), или вероятностная нейронная сеть, имеет архитектуру,
аналогичную архитектуре радиальной базисной сети общего вида, и
отличается от неё структурой второго слоя, в котором используются
функция взвешивания dotprod (скалярное произведение сигналов и
весов), функция накопления netsum и передаточная функция compet –
конкурирующая функция, преобразующая вектор входа слоя нейро-
нов таким образом, чтобы нейрон с самым большим входом имел
выход, равной единице, а все другие нейроны имели выходы, равные
нулю. Смещения используются только в первом слое.
   Создание вероятностей сети осуществляется функцией
                     net=newpnn(P,T,spread),
где Р – массив размера R*Q из Q входных векторов с R элементами;
   T – массив размера S*Q из Q векторов цели и S классов;
   SPREAD – параметр влияния, значение по умолчанию 1.0.
   Для вероятностей сети необходимо задать обучающее множество
из Q пар векторов входа и целей. Каждый вектор цели имеет K эле-
ментов, указывающих класс принадлежности и, таким образом, каж-


                               99