Page 66 - 4524
P. 66

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
   61   62   63   64   65   66   67   68   69   70   71