Page 66 - 4524

категорій до вихідного прошарку формується через конкурен-
цію.
Навчання мережі Хемінга є подібним до методології Хо-
пфілда. На вхідний прошарок надходить бажаний навчальний
образ, а на виході вихідного прошарку надходить значення
бажаного класу, до якого належить вектор. Вихід містить ли-
ше значення класу до якої належить вхідний вектор. Рекурси-
вний характер прошарку Хопфілда забезпечує засоби корекції
всіх ваг з'єднань.

Рисунок 5.11 - Структурна схема мережі Хемінга

Алгоритм функціонування мережі Хемінга
1. На стадії ініціалізації ваговим коефіцієнтам першого
прошарку і порогу передатної функції присвоюються такі зна-
чення:
k
W ik=x I /2, i=0...n-1, k=0...m-1, (5.19)
b k = n / 2, k = 0...m-1
k
Тут x i - i-ий елемент k-ого зразка.
2. Вагові коефіцієнти гальмуючих синапсів у другому
прошарку беруть рівними деякій величині 0 < v < 1/m. Синапс
нейрона, пов'язаний із його ж виходом має вагу +1.
3. На входи мережі подається невідомий вектор x 1, x i, x n
... Розраховуються стани нейронів першого прошарку (верхній
індекс у скобках указує номер прошарку):
n
y ) 1 (  S ) 1 (   w x  b , j  ...0 m 1, (5.20)
j j ij i j
 i 1
65