% kihti neuroneid ja mitu neuronit on kihis, {} näitab 3 % mis on iga kihi % neuronite aktiveerimisfunktsioon. % Piisab ka 1-2 neuronist % suurendades neuronite arvu mittelineaarse akt % funktsiooniga, täpsus % kasvab. 5 neuronit on juba 10'-10, mis on piisavalt % hea. Lineaarse aktiveerimis % funktsiooniga on 1 neuron sama täpne. net.trainFcn = 'trainlm' %treenimisfunktsioon Levenberg % Marquardt teist järku tuletiste maatriksil põhinev net.trainParam.epochs=5000 %iteratsioonide arv Treenime selle loodud närvivõrgu valitud parameetritega ja algoritmiga. net=train(net,P,T) %sim(net,[-1;2]) - närvivõrk oskab mitteilmutatult arvutada 0.3*x1 + 0.9*x2 %ans = % 1.5000 W1=net.IW{1,1} %sisendite kaalukoefitsendid W2=net.LW{2,1} %kihi kaalukoefintsendid B1=net.b{1} %iga neuroni nihe (bias), aktiveerimisfunktisooni nihe B2=net.b{2}
The positive and negative maximum gray values of the reconstructed detail image represent the highest point of pilling and the deepest point of the pilling shadow respectively. FIGURE 18. 1) 3D mesh plot of WoolMark® SM50 Grade 1 woven fabric from [34]; 2) identified pilling; 3) identified pilling at scale 5; 4) identified pilling at scale 6. This approach can be considered hybrid with the ones described in Section 1.4. since a Levenberg- Marquardt back-propagation neural rule is finally used to classify the pilling grade. The robustness of the above proposed method has been assessed by Zhang et al. in 2012 [36]. In detail robustness in terms of image rotation, image dilation, image brightness variation and image contrast variations has been assessed. The results provided by the authors suggest that the pilling identification method
= 2K X 2 on õppimise kiirus. 16 Eksisteerivad ka paljud teised õpetamise algoritmid. Kui närvivõrgu ülesandeks on mingi sihifunktsiooni (veafunktsiooni) minimiseerimine, siis selleks võib kasutada erinevaid matemaatilisi aproksimeerimise arvutusmeetodeid. Näiteks, närvivõrgu parameetrite optimiseerimiseks hästi sobivad ka Newton'i meetod, Levenberg-Marquard'i meetod jne. Kui tegemist on iseorganiseeruvate võrkudega, siis neid ei saa õpetada, sest "õige" väljund on eelnevalt teadmata. Nad peavad õppima ise lähtudes etteantud kriteeriumist. Üks iseõppimise algoritmidest on Kohonen'i algoritm. 1.4.3 Kohonen'i iseorganiseerumise algoritm Kohonen'i iseorganiseeruva närvivõrgu arhitektuur on kirjeldatud peatükis 1.3.3. Vaatleme nüüd tema iseõppimiseks kasutatavat algoritmi
= 2K X 2 on õppimise kiirus. 16 Eksisteerivad ka paljud teised õpetamise algoritmid. Kui närvivõrgu ülesandeks on mingi sihifunktsiooni (veafunktsiooni) minimiseerimine, siis selleks võib kasutada erinevaid matemaatilisi aproksimeerimise arvutusmeetodeid. Näiteks, närvivõrgu parameetrite optimiseerimiseks hästi sobivad ka Newton'i meetod, Levenberg-Marquard'i meetod jne. Kui tegemist on iseorganiseeruvate võrkudega, siis neid ei saa õpetada, sest "õige" väljund on eelnevalt teadmata. Nad peavad õppima ise lähtudes etteantud kriteeriumist. Üks iseõppimise algoritmidest on Kohonen'i algoritm. 1.4.3 Kohonen'i iseorganiseerumise algoritm Kohonen'i iseorganiseeruva närvivõrgu arhitektuur on kirjeldatud peatükis 1.3.3. Vaatleme nüüd tema iseõppimiseks kasutatavat algoritmi
annaabi.ee 
