- •Фгбоу впо “Воронежский государственный технический университет”
- •Нейронные сети методические указания
- •Составитель канд. Техн. Наук в.А. Медведев
- •Цель работы
- •2.1. Структура и математическая модель искусственного нейрона
- •2.2. Функции активации нейронов
- •2.3. Персептроны
- •2.4. Сеть Хопфилда
- •2.5. Сеть Хэмминга
- •4. Рабочее задание
- •5. Контрольные вопросы
- •1. Цель работы
- •2. Теоретические сведения
- •2.1. Функции пакета Neural Networks Toolbox
- •2.2. Функции активации в пакете Matlab
- •2.3. Функции обучения нейронных сетей
- •2.4. Функции создания нейронных сетей
- •2.5. Функции использования нейронных сетей
- •2.6. Создание однонаправленной сети
- •4. Рабочее задание
- •5. Контрольные вопросы
- •Библиографический список
- •Содержание
- •394026 Воронеж, Московский просп., 14
2.5. Сеть Хэмминга
Когда нет необходимости, чтобы сеть в явном виде выдавала образец, то есть достаточно, например, получать номер образца, ассоциативную память успешно реализует сеть Хэмминга. Данная сеть характеризуется, по сравнению с сетью Хопфилда, меньшими затратами памяти и объемом вычислений.
Структура сети Хэмминга приведена на рис. 7.
Сеть состоит из двух слоев. Первый и второй слои имеют по т нейронов, где m – число образцов. Нейроны первого слоя имеют по n синапсов, соединенных с входами x1, x2, …, xi, …, xn сети (образующими фиктивный нулевой слой). Нейроны второго слоя связаны между собой синаптическими отрицательными обратными связями. Единственный синапс с положительной обратной связью для каждого нейрона соединен с его же выходом.
Идея работы сети состоит в нахождении расстояния Хэмминга от тестируемого образца до всех образцов (числа различающихся битов в двух бинарных векторах). Сеть должна выбрать образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу.
На стадии инициализации весовым коэффициентам первого слоя и порогу активационной функции присваиваются следующие значения:
(17)
где xik – i-й элемент k-гo образца.
Весовые коэффициенты тормозящих синапсов во втором слое берут из диапазона 0 < < 1/m. Синапс нейрона, связанный с его же выходом, имеет вес +1.
Алгоритм функционирования данной сети следующий.
1. На входы сети Хэмминга подается неизвестный вектор X = {хi: i = l, 2, ..., n}; рассчитываются состояния нейронов первого слоя (верхний индекс в скобках – номер слоя):
(18)
После этого полученными значениями инициализируются значения выходов второго слоя:
(19)
Вычисляются новые сигналы на выходах сумматоров нейронов второго слоя:
(20)
и новые значения выходов
(21)
3. Проверяется, изменились ли выходы нейронов второго слоя за последнюю итерацию. Если да – перейти к шагу 2. Иначе – останов программы.
Сети Хопфилда и Хэмминга позволяют просто и эффективно решать задачи воссоздания образов по неполной и искаженной информации. Невысокая емкость сетей (число запоминаемых образов) объясняется тем, что сети позволяют проводить обобщение образов; например, с помощью сети Хэмминга возможна классификация по критерию максимального правдоподобия. Вместе с тем легкость построения программных и аппаратных моделей делают эти сети привлекательными для многих применений.
3. ПРЕДВАРИТЕЛЬНОЕ ЗАДАНИЕ
3.1. Изучить структуру и математическую модель искусственного нейрона, а также функции активации нейронов.
3.2. Изучить структуру, принцип работы персептрона и алгоритм его обучения.
3.3. Изучить структурную схему и алгоритм функционирования сети Хопфилда.
3.4. Изучить структурную схему и алгоритм функционирования сети Хэмминга.