Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»


Алгоритм дискретизации


1. Выбирается значение параметра s е(0„ 1), управляющего числом кластеров активности нейрона скрытого слоя. Пусть /г, — активность этого нейрона при предъявлении сети первого вектора обучающего набора. Положим число кластеров Ncltisl = 1, положение кластера АсЫ (1) = U — count(1)=1, sum(1)= U ■


2. Для всех векторов обучающего набора k = 1,…, К


•    определяется активность нейрона скрытого слоя h


   если существует индекс у такой что h — А(/)| = min h — Л ,,Л, (у ) и


С ‘    ,/e;l,…,.V ,Лю!    с


h- Ah,AJ)^s то    count (у):= count (у) + 1, sum{Nclus,)= sum{Nclml) + h


иначе Nclml = Nclml +1, Adm (Nclml) = К count(NchlM) = 1, sum{NchlM) = h.


3.    Заменить Ас1т1 на среднее значение активаций нейрона, объединенных в один и тот же


кластер:    (j): = sum(j) /count(j), j = 1,…, Ndust.


4.    Проверить точность классификации объектов сетью при замене истинных значений активации нейрона скрытого слоя на Aclml (j).


5.    Если точность классификации оказалась ниже заданного значения, то уменьшить значение е и вернуться к шагу 1.


Рассмотрим приведенный в (Lu, Setiono and Liu, 1995) пример, в котором прореженная сеть содержала три нейрона скрытого слоя, дискретизация активности которых была проведена при значении параметра е =0.6. Ее результаты отражены в Таблице 1.


Таблица 1. Дискретизация состояний нейронов скрытого слоя


нейрон


скрытого


слоя


число


кластеров


дискретное


значение


активности


1


3


(-1,0,1)


2


2

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»