50862

Нейронная сеть Хебба

Лабораторная работа

Информатика, кибернетика и программирование

Поскольку вектор (у1, у2) = (1, -1) равен вектору (t1, t2), то вычисления прекращаются, так как цель достигнута – нейрон правильно распознает заданные изображения. Задание 2. Обучить бинарный нейрон распознаванию изображений X1 и X2. При этом изображению X1 пусть соответствует выходной сигнал нейрона...

Русский

2014-01-31

66.5 KB

11 чел.

Министерство образования, науки, молодёжи и спорта Украины

ОДЕССКИЙ НАЦИОНАЛЬНЫЙ МОРСКОЙ УНИВЕРСИТЕТ

Кафедра «Информационные технологии»

Отчёт о выполнении лабораторной работы №4

 

«Нейронная сеть Хебба»

Выполнил:

Студент КСФ 4 к. 4 гр.

Мельников В.Е.

Проверил:

Рудниченко Н.Д.

Одесса 2013

Задание

Задание 1. Обучить биполярный нейрон распознаванию изображений X1, и Х2. При этом потребуем, чтобы изображению X1 соответствовал выходной сигнал нейрона "+1", а изображению X2 - сигнал "-1".

                                    X1                                               

1

2

3

4

5

6

7

8

9

1

2

3

4

5

6

7

8

9

Рис.1. Входные изображения

Шаг 1. Задаем множество

M={(X1 = (1,-1, 1,1, 1,1,1,-1, 1),1), (X2 =(1,1, 1,1,-1,-1,1,1, 1),-1)};

инициируем веса связей нейрона: wi = 0, i =0…9.

Шаг 2. Для каждой из двух пар (X1, 1), (X2, -1), выполняем шаги 3 - 5.

Шаг 3. Инициируем множество входов нейрона для изображения первой пары: x0 = 1, xi=xi1, i =0…9.

Шаг 4. Инициируем выходной сигнал нейрона для изображения первой пары: y =t1=1.

Шаг 5.  Корректируем веса связей  нейрона по  правилу Хебба

wi = wi +xi1y   (i =0…n):

w1 = w3 = w4 = w5=w6 = w7 = w9 = 0+1*1=1;

w2 = w8=0+(-1)*1=-1.

Шаг 3. Инициируем множество входов нейрона для изображения X2 второй пары: x0 = 1, xi=xi2, i =0…9.

Шаг 4. Инициируем выходной сигнал нейрона для изображения второй пары (X2, t2):

y = t2 = -1.

Шаг 5. Корректируем веса связей нейрона:

wi = wi +xi2y   (i =0…n):

w1 = w3= w4= w9 = 1+(1)*(-1)=0;

w2 = w7= w8=-1+1*(-1)=-2;

w5 = w6 = 1+(-1)*(-1)=2;

Шаг 6. Проверяем условия останова.

Рассчитываем входные и выходной сигналы нейрона при предъявлении изображения X1:

=1*0+(-1)*(-2)+1*0+1*0+1*2+1*2+1*(-2)+(-1)*(-2)+1*0+0=6,

y1 = 1, так как  S1  >  0.

Рассчитываем входной и выходной сигналы нейрона при предъявлении изображения X2:

 

                                    =1*0+1*(-2)+1*0+1*0+(-1)*2+(-1)*2+1*(-2)+1*(-2)+1*0=-10,

y2 = -1, так как  S2  <  0.

Поскольку вектор (у1, у2) = (1, -1) равен вектору (t1, t2), то вычисления прекращаются, так как цель достигнута – нейрон правильно распознает заданные изображения.

Задание 2. Обучить бинарный нейрон распознаванию изображений X1 и X2. При этом изображению X1 пусть соответствует выходной сигнал нейрона "+1", а изображению X2 - "0".

Шаг 1. Задаем множество

M={( X1 = (1,0, 1,1, 1,1,1,0, 1),1), (X2 =(1,1, 1,1,0,0,1,1, 1),0)};

и инициируем веса связей нейрона wi = 0, i = 0…9.

Шаг 2. Для каждой из двух пар (X1, 1), (X2, 0), выполняем шаги 3 - 5.

Шаг 3. Инициируем множество входов нейрона для изображения первой пары: x0 = 1, xi=xi1, i =0…9.

Шаг 4. Инициируем выходной сигнал нейрона для изображения первой пары: y =t1=1.

Шаг 5.  Корректируем веса связей  нейрона по  правилу Хебба

w1 = w3 = w4 = w5=w6 = w7= w8= w9 = 0+1=1;

w2 = w8=0+0=0.

Шаг 3. Инициируем множество входов нейрона для изображения X2 второй пары: x0 = 1, xi=xi2, i =0…9.

Шаг 4. Инициируем выходной сигнал нейрона для изображения второй пары (X2, t2):

y = t2 = 0.

Шаг 5. Корректируем веса связей нейрона:

w1 = w3= w4 = w9= 1-1=0;

w2 = w7= w8=0+(-1)=-1;

w5= w6 =1+0=1;

Шаг 6. Проверяем условия останова.

Рассчитываем входные и выходной сигналы нейрона при предъявлении изображения X1:

         =1*0+0*(-1)+1*0+1*0+1*1+1*1+1*(-1)+0*(-1)+1*0+0=1,

y1 = 1, так как  S1  >  0.

Рассчитываем входной и выходной сигналы нейрона при предъявлении изображения X2:

 

                                    =1*0+1*(-1)+1*0+1*0+0*1+0*1+1*(-1)+1*(-1)+1*0=-3,

y2 = 0, так как  S2  <  0.

Поскольку вектор (у1, у2) = (1, 0) равен вектору (t1, t2), то вычисления прекращаются, так как цель достигнута – нейрон правильно распознает заданные изображения.


 

А также другие работы, которые могут Вас заинтересовать

49015. Описать структуру с именем PRICE 125 KB
  Написать программу, выполняющую следующие действия: ввод с клавиатуры данных в массив, состоящий из восьми элементов типа PRICE; записи должны быть размещены в алфавитном порядке по названиям товаров; вывод на экран информации о товаре, название которого введено с клавиатуры; если таких товаров нет, выдать на дисплей соответствующее сообщение.
49016. Информатизация образования в школе 2.9 MB
  Не менее важна задача обеспечения психолого-педагогическими и методическими разработками, направленными на выявление оптимальных условий использования новых информационных технологий в целях интенсификации учебного процесса, повышения его эффективности и качества.
49017. Исследование активного RC фильтра 1.45 MB
  Теория электрических цепей Исследование активного RC фильтра. Заданы: схемы и параметры RCфильтра каскадной структуры. Требуется: Найти передаточную функцию фильтра составить и решить соответствующую систему узловых уравнений. Построить графики АЧХ и ФЧХ оценив тип фильтра.
49019. РАСЧЕТ ПАРАМЕТРОВ ЦИФРОВЫХ СИСТЕМ ПЕРЕДАЧИ НЕПРЕРЫВНЫХ СООБЩЕНИЙ 916.5 KB
  Распределение относительной среднеквадратичной ошибки (ОСКО) входных преобразований на четыре составляющих: ОСКО, вызванной ограничением мгновенных значений исходного непрерывного процесса, ОСКО, вызванной временной дискретизацией, ОСКО квантования исходного непрерывного процесса и ОСКО искажений сообщения, вызванных действием помех...
49020. Разработка информационной системы (ИС) «Агентство недвижимости» 635 KB
  Понятие базы данных. Основные термины для работы с базами данных. Создание таблицы в базе данных Описание созданных запросов
49021. Электронный парамагнитный резонанс (ЭПР) 1.39 MB
  В отсутствие постоянного магнитного поля Н магнитные моменты неспаренных электронов направлены произвольно, состояние системы таких частиц вырождено по энергии. При наложении поля Н проекции магнитных моментов на направление поля принимают определенные значения и вырождение снимается (эффект Зеемана), т. е. происходит расщепление уровня энергии электронов E0.
49022. Методы ближнепольной и конфокальной микроскопии. Их аппаратное и метрологическое обеспечение 726.5 KB
  Содержание пояснительной записки курсовой работы проекта: Методы ближнепольной микроскопии Ближнепольный растровый оптический микроскоп БРОМ Аппаратное обеспечение ближнепольной микроскопии Методы конфокальной микроскопии Конфокальный лазерный сканирующий микроскоп Применение конфокального микроскопа...
49023. Режим термической обработки пружин из стали 65Г 267.5 KB
  Основной целью курсовой работы по технологии конструкционных материалов является освоение принципов выбора конструкционных материалов для деталей машин, инструмента, основываясь на знании состава и строения металлических конструкционных материалов и методов придания материалам заданных форм.