Page 59 - 4524
P. 59

Рисунок 5.8 -  Приклад Ймовірнісної нейронної мережі

                                  Базова  модель  Ймовірнісної  мережі  має  модифікації.
                            Припустимо, що пропорції класів  у навчальній множині від-
                            повідають їх пропорціям у всій досліджуваній вибірці (апріо-
                            рна Ймовірність). Наприклад, якщо серед всіх людей хворими
                            є 2%, то в навчальній множині для мережі, яка діагностує за-
                            хворювання, хворих також повинно бути 2%. Якщо ж апріорні
                            імовірності відрізняються від пропорції в навчальній виборці,
                            мережа буде видавати невірний результат. Це можна врахува-
                            ти, вводячи корегуючі коефіцієнти для різноманітних класів.
                                  Навчання  Ймовірнісної  нейронної  мережі  є  набагато
                            простішим, ніж ВackРropagation. Істотним недоліком мережі є
                            її розмір, оскільки вона фактично вміщує в собі всі навчальні
                            дані, потребує багато пам'яті і може повільно працювати.

                                  5.11 Мережа Хопфілда

                                  Джон Хопфілд вперше представив свою асоціативну ме-
                            режу у 1982 р. у Національній Академії Наук. На честь Хоп-
                            філда та нового підходу до моделювання, ця мережна паради-
                            гма згадується як мережа Хопфілда. Мережа базується на ана-
                            логії  фізики  динамічних  систем.  Початкові  застосування  для
                            цього виду  мережі  включали  асоціативну,  або  адресовану  за
                            змістом пам'ять та вирішували задачі оптимізації.

                                                           58
   54   55   56   57   58   59   60   61   62   63   64