Главная > Нейронные сети для обработки информации
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

10.3.5. Обобщенный алгоритм обучения рекуррентной сети

На практике метод Херольта-Джуттена оказывается эффективным при небольшом разбросе амплитуд отдельных сигналов обычно меньшем, чем 1:100.

При сильных отличиях сигналов значительно более эффективным считается модифицированный алгоритм А.Чихотского [12], в котором вводятся собственные обратные связи нейронов с весами . Эти обратные связи вызывают самонормализацию выходных сигналов, что приводит их к одинаковому численному уровню и облегчает тем самым процесс сепарации.

В соответствии с модификацией Чихотского [12] адаптивные механизмы уточнения весов (при условии, что не содержат постоянных составляющих) описываются формулами

для

для Обе формулы можно представить в обобщенной матричной форме

в которой используются те же обозначения, что и в формуле (10.42). Вектор рассчитывается в каждый момент времени согласно (10.38), для текущих значений матрицы весов и вектора смешанных сигналов

Главный источник повышенной эффективности алгоритма - самонормализация до единичных значений выходных сигналов Поскольку в стабилизированном состоянии следовательно, и независимо от уровня сигналов происходит масштабирование всех сигналов в сети до единичного уровня. Имитационные исследования сети с модифицированным алгоритмом продемонстрировали возможность разделения сигналов с амплитудами, различающимися даже в отношении Сеть с модифицированным правилом обучения также менее чувствительна к коэффициенту обусловленности смешивающей матрицы А.

На рис. 10.7 представлен процесс сепарации четырех сигналов со значительно отличающимися амплитудами:

смешанными посредством матрицы

(кликните для просмотра скана)

На рис. 10.7 а изображены исходные сигналы на рис. 10.7 б - смешанные сигналы , а на рис. 10.7 в - сигналы, выделенные нейронной сетью в процессе сепарации (это независимые сигналы, являющиеся реакцией на исходные сигналы). В качестве входных используются смешанные Сигналы (три средних графика на рис. 10.7). Из-за огромного различия в амплитудах исходных сигналов на графиках подаваемых на ввод сети смешанных сигналов видны только наибольшие сигналы шума, тогда как сигналы с малой амплитудой практически незаметны. Процесс сепарации осуществлялся с помощью программы с применением нелинейных функций , а также коэффициента обучения адаптивно уменьшающегося от начального значения, равного 2000. Это позволило разделить все сигналы независимо от их амплитуд (три нижних графика на рис. 10.7). Выделенные сетью сигналы характеризовались одинаковым уровнем амплитуды, достигнутым благодаря собственным обратным связям нейронов.

1
Оглавление
email@scask.ru