|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Модель нейрона ХеббаД. Хебб в процессе исследования нервных клеток [12,13] заметил, что связь между двумя клетками усиливается, если обе клетки становятся активными в один и тот же момент времени. Если j -ая клетка с выходным сигналом связана с i -ой клеткой, имеющей выходной сигнал , связью с весом , то на силу связи влияют значения выходных сигналов и . Д. Хебб предложил формальное правило, в котором отразились результаты его наблюдений. В соответствии с правилом Хэбба [12], вес нейронов изменяется пропорционально произведению входного и выходного сигналов , (21) где - это коэффициент обучения, значение которого выбирается в интервале (0,1). Правило Хебба может применяться для нейронных сетей различных типов с разнообразными функциями активации моделей отдельных нейронов. Структурная схема нейрона Хебба представлена на рисунке 19. Рисунок 19 -Структурная схема нейрона Хебба Связь с весом , способ подбора значения которой задается отношением (21), соединяет входной сигнал с сумматором i –го нейрона, вырабатывающего выходной сигнал . Нейрон Хебба может обучаться как с учителем, так и без него. При обучении без учителя в правиле Хебба подставляется фактическое значение выходного сигнала нейрона. При обучении с учителем вместо выходного сигнала используется ожидаемая от этого нейрона реакция . Правило Хебба характеризуется тем, что в результате его применения веса могут принимать произвольно большие значения, поскольку в каждом цикле обучения происходит суммирование текущего значения и некоторого приращения . . (22) Один из способов стабилизации обучения состоит в учете последнего значения , уменьшенного на коэффициент забывания . Тогда правило Хебба представится в виде . (23) Значение выбирается из интервала (0,1) и чаще всего составляет некий процент от коэффициента обучения . Применение больших значений приводит к тому, что нейрон забывает значительную часть того, чему он научился в прошлом. Рекомендуемые значения коэффициента забывания - , при которых нейрон сохраняет большую часть информации, накопленной в процессе обучения, и получает возможность стабилизировать значения весов на определенном уровне. Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.) |