Nad võimaldavad nii suurendada kui ka vähendada elektrilise impulsi tugevust. W = [w1 K wn ] on tehis Joonis 1.4 Tehisneuroni elemendid neuroni kaalukoefitsientide vektor (joonis 1.4). 5 Kaalutud summatori sisendis iga sisend korrutatakse läbi vastava kaalukoefitsiendiga. Summatori väljund NET on nende korrutiste summa. Järelikult summatori funktsiooni võib kirjutada järgnevalt: x1
Nad võimaldavad nii suurendada kui ka vähendada elektrilise impulsi tugevust. W = [w1 K wn ] on tehis Joonis 1.4 Tehisneuroni elemendid neuroni kaalukoefitsientide vektor (joonis 1.4). 5 Kaalutud summatori sisendis iga sisend korrutatakse läbi vastava kaalukoefitsiendiga. Summatori väljund NET on nende korrutiste summa. Järelikult summatori funktsiooni võib kirjutada järgnevalt: x1
Tänu oma üldistusvõimele, annab närvivõrk õiged väärtused ka uute (õpetamisel kasutamata) sisendväärtuste hulgas. 2. Närvivõrku sobiva arhitektuuri valik: sisendite arv, väljundite arv, peidetud kihtide arv, neuronite arv peidetud kihtidel, iga kihi neuronite aktiveerimisfunktsioon. Eelpool mainitud parameetrite valik toimub tavaliselt eksperimentaalselt või empiiriliste teadmiste alusel. 3. Närvivõrgu kaalukoefitsientide ja nihete algväärtuste valik (reeglina valitakse juhuslikult). 4. Närvivõrgu väljundi arvutus etalon sisendväärtuste alusel. 5. Mudeli vea leidmine võrreldes närvivõrgu väljundeid objekti etalonväljunditega. Joonis 4.1 Identifitseerimine Joonis 4.2 Närvivõrk süsteemi mudelina - + Süsteem Närvivõrk U Ys E W, B Ym Uute parameetrite arvutus õpetamisalgoritmi alusel 29 6. Uute parameetrite (kaalukoefitsientide ja nihete) arvutus valitud õpetamisalgoritmi alusel 10
väljundväärtuseid teatud etalonväärtuste hulgas. Tänu oma üldistusvõimele, annab närvivõrk õiged väärtused ka uute (õpetamisel kasutamata) sisendväärtuste hulgas. 2. Närvivõrku sobiva arhitektuuri valik: sisendite arv, väljundite arv, peidetud kihtide arv, neuronite arv peidetud kihtidel, iga kihi neuronite aktiveerimisfunktsioon. Eelpool mainitud parameetrite valik toimub tavaliselt eksperimentaalselt või empiiriliste teadmiste alusel. 3. Närvivõrgu kaalukoefitsientide ja nihete algväärtuste valik (reeglina valitakse juhuslikult). 4. Närvivõrgu väljundi arvutus etalon sisendväärtuste alusel. 5. Mudeli vea leidmine võrreldes närvivõrgu väljundeid objekti etalonväljunditega. Joonis 4.1 Identifitseerimine Joonis 4.2 Närvivõrk süsteemi mudelina - + Süsteem Närvivõrk U Ys E ∆W, ∆B Ym Uute parameetrite arvutus õpetamisalgoritmi alusel 29 6. Uute parameetrite (kaalukoefitsientide ja nihete) arvutus valitud õpetamisalgoritmi alusel.
ei = ri (4) kus ei - hinnanguline viga, vi - jääkviga, ri - osaredundants. ri = Qvvii pi ; pi = Qll-ii1 (5) kus Qll - mõõtmiste kaalukoefitsientide maatriks, Qvv - residuaalide kaalukoefitsientide maatriks. 14 Tasanduse kaalumisel kasutati empiirilisi a priori ruutkeskvigu: mH = A × L (6) mm A = 3,8 km
Tänu oma üldistusvõimele, annab närvivõrk õiged väärtused ka uute (õpetamisel kasutamata) sisendväärtuste hulgas. 2. Närvivõrku sobiva arhitektuuri valik: sisendite arv, väljundite arv, peidetud kihtide arv, neuronite arv peidetud kihtidel, iga kihi neuronite aktiveerimisfunktsioon. Eelpool mainitud parameetrite valik toimub tavaliselt eksperimentaalselt või empiiriliste teadmiste alusel. 3. Närvivõrgu kaalukoefitsientide ja nihete algväärtuste valik (reeglina valitakse juhuslikult). 4. Närvivõrgu väljundi arvutus etalon sisendväärtuste alusel. 5. Mudeli vea leidmine võrreldes närvivõrgu väljundeid objekti etalonväljunditega. Õpetamiseks nimetatakse meetodit, mis baseerub teadaolevatel sisend- ja väljundvektori väärtuste kogumil. Y p - NN(X)=Y p – Y -> 0, kus X on sisendväärtuste vektor, Yp on nendele
Neid närvivõrke nimetatakse ka iseõppivateks. Kõige lihtsam iseorganiseeruva süsteemi näide on Kohonen'i närvivõrk. Kohonen'i närvivõrk koosneb sisendvektorist (N sisendit ) ja ühest neuronite kihist. Seda kihti nimetatakse ka Kohonen'i kihiks. Iga sisend on seotud iga neuroni ühe sisendiga. ("igaüks igaühega"). Iga sisend korrutatakse läbi vastava kaalukoefitsiendiga. Kohonen'i võrgu iseõppemise protsessi jooksul leitakse niisugused kaalukoefitsientide väärtused, et sarnaste sisendvektori puhul maksimaalseks oleks ühe ja sama neuroni väljund ning teise sarnaste sisendite gruppi puhul maksimaalseks oleks teise neuroni väljund jne. On ilmne, et seda tüübi närvivõrke on väga mugav kasutada klassifitseerimise ülesannete lahendamisel. 12. Klassikaline hulgateooria ja hägus hulgateooria. Hägusate hulkade omadused. Tehted hägusate hulkadega. Hägus tükeldus. Hägusad süsteemid. Liikmesfunktsioonid. Järeldusalgoritm. Häguärastamine
annaabi.ee 
