Page 67 - 4524

4. Після цього отримання значення ініціалізують значен-
ня виходів другого прошарку:
(1)
(2)
y j = y j , j = 0...m-1, (5.21)
5. Обчислюються нові стани нейронів другого прошар-
ку:
m
) 2 (
) 2 (
S ( t 1  ) y ( t)   y ( t), k  j, j 1 ... m , (5.22)
j j k
k 1
і значення їх виходів:
y ) 1 ( ( t ) 1  f S ) 2 ( ( t ) 1 . (5.23)
j j
Передатна функція f має вид порога, причому величина b
повинна бути достатньо великою, щоб будь-які можливі зна-
чення аргументу не призводили до насичення.
6. Перевіряється, чи змінилися виходи нейронів другого
прошарку за останню ітерацію. Якщо так - перейти до кроку 3.
Інакше - кінець.
Роль першого прошарку є умовною: скориставшись
один раз на першому кроці 1 значеннями його вагових коефі-
цієнтів, мережа більше не вертається до нього, тому перший
прошарок може бути взагалі виключений із мережі.
Мережа Хемінга має ряд переваг над мережею Хопфіл-
да. Вона реалізує оптимальний класифікатор мінімуму похиб-
ки, якщо похибки вхідних бітів є випадковими та незалежни-
ми. Для функціонування мережі Хемінга потрібна менша кі-
лькість нейронів, оскільки середній прошарок вимагає лише
один нейрон на клас, замість нейрону на кожен вхідний вузол.
І, нарешті, мережа Хемінга не страждає від неправильних кла-
сифікацій, які можуть трапитись у мережі Хопфілда. В ціло-
му, мережа Хемінга є як швидшою, так і точнішою за мережу
Хопфілда.

5.14 Двоскерована асоціативна пам'ять

Ця мережна модель була розроблена Бартом Козко (Bart
Kosko) і розширює модель Хопфілда. Множина парних обра-
зів навчається за образами, що представлені як біполярні век-
тори. Подібно до мережі Хопфілда, коли представляється за-
шумлена версія одного образу, визначається найближчий об-
раз, асоційований з ним.

66