1)Вероятностная нейронная сеть. Как функционирует(не пойму).
2)Как настроить веса и т.д. Везде поверхостное описание. Можете рассказать мат. аппорат.
1) Вероятностные нейронные сети (PNN) есть тоже самое, что и многослойный персептрон (MLP).
3) Вообще, это многообразие сетей лишь запутывает. На самом деле, сети делятся:
а) по количеству скрытых слоев
б) по топологии связей, звездообразные, решетка (и др. какие взбредут в голову)
в) по типу активационной функции в нейронах
г) С обратными связями или без, с гибридными связями.
д) а),б),в), и г) могут быть в одной сети.
1) Вероятностные нейронные сети (PNN) есть тоже самое, что и многослойный персептрон (MLP).
3) Вообще, это многообразие сетей лишь запутывает. На самом деле, сети делятся:
а) по количеству скрытых слоев
б) по топологии связей, звездообразные, решетка (и др. какие взбредут в голову)
в) по типу активационной функции в нейронах
г) С обратными связями или без, с гибридными связями.
Вот у нас есть образцы n из A и k из B. каждый обр. обладает z кол-вом параметров. Появляется неизвестный элемент и нам надо его отнести к А или B. Ну и как? Евклидово расстояние брать?
в 2-х словах:
в заданной точке(распознаваемый вектор) суммируется активность радиальных функций(потенциал), сначала суммируется по классу А, потом по классу В, вывод о том к какому классу относится распознаваемй вектор делается сравнением сумм(кто больше тот и выиграл).
2 joo:
Вероятностная сеть и МЛП очень сильно различаются. Во всяком случае принцип у них заложен разный.
Другое дело что я тоже не рекомендую заморачивать на разных сетках, всё что нужно выжимается из обычного МЛП.
У Вас задача классификации.
Для обучения сети используются примеры, ответ на который либо 1, либо -1 (принадлежность к А или В)
В качестве активационной функции нейронов используем сигмоиду
Имеет вид:
Скажем, к пространству А относятся все ответы 1, а к пространству В все ответы -1. Причем, эти пространства необязательно разделены четкой прямой линией (может быть и кривая)
Все ответы точно не попадающие ни в А ни в Б по имеющимся признакам (читаем - входные данные) будут расположены сеткой в пространстве -1...1
с вероятностью такой:
PS Вы же это знали, не так ли?
У Вас задача классификации.
Для обучения сети используются примеры, ответ на который либо 1, либо -1 (принадлежность к А или В)
В качестве активационной функции нейронов используем сигмоиду
Имеет вид:
Скажем, к пространству А относятся все ответы 1, а к пространству В все ответы -1. Причем, эти пространства необязательно разделены четкой прямой линией (может быть и кривая)
Все ответы точно не попадающие ни в А ни в Б по имеющимся признакам (читаем - входные данные) будут расположены сеткой в пространстве -1...1
с вероятностью такой:
PS Вы же это знали, не так ли?
2 joo:
Вероятностная сеть и МЛП очень сильно различаются. Во всяком случае принцип у них заложен разный.
Другое дело что я тоже не рекомендую заморачивать на разных сетках, всё что нужно выжимается из обычного МЛП.
Вопрос был про мат аппарат. Различия у них по учителю. У PNN ответы -1 и 1, все что между ними - вероятность принадлежности к классу, а у MLP (MNN) ответы на всем промежутке -1 и 1. Разница только в учителе (контрольные данные для обучения), а сети одни и те же.
Вопрос был про мат аппарат. Различия у них по учителю. У PNN ответы -1 и 1, все что между ними - вероятность принадлежности к классу, а у MLP (MNN) ответы на всем промежутке -1 и 1. Разница только в учителе (контрольные данные для обучения), а сети одни и те же.
Да не только в учителе дело. Принцип другой. МЛП чертит линии(гиперплоскости), а вероятностная окружности(гипершары).
Взять простой пример:
Линейный перцептрон просто линией разделил и всё, линия у него бесконечна.
А значение потенциалов обоих классов будет практически нулевым. Разница есть?
Пример.
Необходимо организовать классификацию, мужчина или женщина.
Есть такие признаки, кол-во признаков соответствует кл-ву нейронов во входном слое
1. Наличие/отсутствие первичных половых признаков.
2. Наличие/отсутствие вторичных половых признаков
3. Длина волос.
4. Ширина бедер
5. Ширина плеч.
6. Наличие волосяного покрова на конечностях.
7. Наличие косметики.
Кодируем признаки в диапазон -1...1.
Предъявляем сети при обучении 100% принадлежащие признаки к половой принадлежности. Ответы -1 и 1.
Комбинации признаков будут давать не "нечеткие ответы", например (-0,8) будет соответствовать 80% вероятности принадлежности к женскому полу.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Вероятностная нейронная сеть. Как функционирует(не пойму). Как настроить веса и т.д. Везде поверхостное описание. Можете рассказать мат. аппарат.