4412

Машина Больцмана та мережа INSTAR

Лабораторная работа

Информатика, кибернетика и программирование

Машина Больцмана та мережа INSTAR. План: Мета роботи. Теоретичні відомості. Постановка задачі. Алгоритм розв`язку задачі. Виконання роботи. Висновок. Мета: Вивчити принципи функціонування вказаних мереж та навч...

Украинкский

2012-11-18

446.5 KB

15 чел.

Машина Больцмана та мережа INSTAR.

План:

  1.  Мета роботи.
  2.  Теоретичні відомості.
  3.  Постановка задачі.
  4.  Алгоритм розв`язку задачі.
  5.  Виконання роботи.
  6.  Висновок.

1. Мета: Вивчити принципи функціонування вказаних мереж та навчитись їх використовувати для розв'язку практичних задач.

2. Теоретичні відомості:

3. Постановка задачі:

      

4. Алгоритм розв`язку задачі:

5. Виконання роботи:

6) Висновки:

У цій практичній роботі я на практиці розглянув алгоритм навчання машини Больцмана та алгоритм навчання "INSTAR", які дуже допомогли мені навчитись використовувати їх для розв’язку практичних задач.

 Контрольні запитання:

  1.  Переваги та недоліки машини Больцмана.

Машина Больцмана, як і мережа Хопфілда, представляє собою мережу одиниць з «енергією», визначених для мережі. Вона також має бінарний набір одиниць, але на відміну від мереж Хопфілда, вузли в машині Больцмана стохастичні. Глобальна енергетична, E, в машині Больцмана ідентична за формою, що і в мережі Хопфілда.

У той час коли машина повинна бути запущена для того, щоб утримувати рівновагу ,статика зростає експоненціально із зростанням розмірів машини, а також з величиною сили зв'язку

  1.  Алгоритм навчання машини Больцмана.

Навчання машини Больцмана не використовує алгоритм EM, який широко використовується в машинному навчанні. Зводячи до мінімуму KL-дивергенції, то це еквівалентно максимізації логарифм правдоподібності даних. Таким чином, процедура навчання виконує градієнт сходження на логарифм правдоподібності спостережуваних даних. Це на відміну від алгоритму EM, де задній розподіл прихованих вузлів мусить бути розрахована, перш ніж максимізація очікуваного значення повної ймовірності даних під час М-крок.
Навчання упередження виконується аналогічно, але використовує тільки один вид діяльності вузла :

  1.  Переваги та недоліки "INSTAR".

Темп навчання a має початкове значення масштабу 0.1 і поступово зменшується в процесі навчання. В процесі настройки нейрон навчається усередненим навчальним векторах.

  1.  Алгоритм навчання "INSTAR".

Вхідна зірка навчається видавати сигнал на виході всякий раз, коли на входи надходить певний вектор. Таким чином, вхідна зірка є детектором сукупного стану своїх входів. Процес навчання представляється в такій ітераційної формі:


 

А также другие работы, которые могут Вас заинтересовать

41274. Математические схемы моделирования систем 238.5 KB
  При построении математической модели системы необходимо решить вопрос об ее полноте. Также должна быть решена задача упрощения модели которая помогает выделить в зависимости от цели моделирования основные свойства системы отбросив второстепенные. При переходе от содержательного к формальному описанию процесса функционирования системы с учетом воздействия внешней среды применяют математическую схему как звено в цепочке описательная модель – математическая схема – математическая аналитическая или и имитационная модель. Формальная...
41275. Непрерывно-детерминированные модели (D-схемы). Основные соотношения. Возможные приложения D-схемы 224 KB
  Они отражают динамику изучаемой системы и в качестве независимой переменной от которой зависят неизвестные искомые функции обычно служит время t. Элементарные системы Из этого уравнения свободного колебания маятника можно найти оценки интересующих характеристик. Очевидно что введя обозначения h2 = mMlM2 = LK h1 = 0 h0 = mMglM = 1 CK Ft = qt = zt получим обыкновенное дифференциальное уравнение второго порядка описывающее поведение этой замкнутой системы: h2d2zt dt2 h1dzt dt h0zt = 0 2.9 где h0 h1...
41276. Дискретно-детерминированные модели (F-схемы). Основные соотношения. Возможные приложения F-схемы 170.5 KB
  Система представляется в виде автомата как некоторого устройства с входными и выходными сигналами перерабатывающего дискретную информацию и меняющего свои внутренние состояния лишь в допустимые моменты времени. В каждый момент t = 0 1 2 дискретного времени Fавтомат находится в определенном состоянии zt из множества Z состояний автомата причем в начальный момент времени t = 0 он всегда находится в начальном состоянии z0 = z0. Другими словами если на вход конечного автомата установленного в начальное состояние z0 подавать в...
41277. Дискретно-стохастические модели (Р-схемы). Основные соотношения. Возможные приложения P-схемы. Непрерывно-стохастические модели (Q-схемы). Основные соотношения 159.5 KB
  Непрерывностохастические модели Qсхемы Основные соотношения Особенности непрерывностохастического подхода рассмотрим на примере типовых математических Qсхем – систем массового обслуживания англ. В качестве процесса обслуживания могут быть представлены различные по своей физической природе процессы функционирования экономических производственных технических и других систем например: потоки поставок продукции некоторому предприятию потоки деталей и комплектующих изделий на сборочном конвейере цеха заявки на обработку информации ЭВМ...
41278. Непрерывно-стохастические модели (Q-схемы) (продолжение). Возможные приложения Q-схем 140.5 KB
  В студенческом машинном зале расположены две ЭВМ и одно устройство подготовки данных УПД. Студенты приходят с интервалом в 8  2 мин и треть из них хочет использовать УПД и ЭВМ а остальные только ЭВМ. Работа на УПД занимает 8  1 мин а на ЭВМ – 17 мин. Кроме того 20 работавших на ЭВМ возвращаются для повторного использования УПД и ЭВМ.
41279. Сетевые модели (N-схемы). Основные соотношения. Возможные приложения N-схем 176.5 KB
  Сетевые модели Nсхемы. Сетевые модели Nсхемы Основные соотношения Для формального описания структуры и взаимодействия параллельных систем и процессов а также анализа причинноследственных связей в сложных системах используются сети Петри англ. Граф Nсхемы имеет два типа узлов: позиции и переходы изображаемые 0 и 1 соответственно. Граф Nсхемы является мультиграфом так как он допускает существование кратных дуг от одной вершины к другой.
41281. ФОРМАЛИЗАЦИЯ И АЛГОРИТМИЗАЦИЯ ПРОЦЕССОВ ФУНКЦИОНИРОВАНИЯ СИСТЕМ 163 KB
  Методика разработки и машинной реализации моделей систем Сущность машинного моделирования системы состоит в проведении на вычислительной машине эксперимента с моделью которая представляет собой некоторый программный комплекс описывающий формально и или алгоритмически поведение элементов системы в процессе ее функционирования т. Требования пользователя к модели Основные требования предъявляемые к модели процесса функционирования системы: 1. Полнота модели должна предоставлять пользователю возможность получения необходимого набора оценок...