moodustavad närvivõrgu väljundvektori. Pertseptronis on iga neuroni sisendite arv võrdub eelmise kihi neuronite arvuga. Reeglina, ühes kihis on kõikidel neuronitel ühesugused aktiveerimisfunktsioonid. 9 Vaatleme kahekihilise pertseptroni, millel on n sisendit, m väljundit ja k neuronit ühel peidetud kihil. x1 X = M on närvivõrgu sisendvektor; x n y1 Y = M on väljundvektor; y m w111 L wn11 W1 = M O M on peidetud kihi kaalukoefitsientide maatriks; w1k1 L wnk 1 11 1 = M on peidetud kihi nihete veeruvektor; k 1 w112 L wk 12 W2 = M O M on väljund kihi kaalukoefitsientide maatriks; w1m 2 L wkm 2 12 2 = M on väljund kihi nihete veeruvektor; m 2 F1 on peidetud kihi neuronite aktiveerimisfunktsioon;
moodustavad närvivõrgu väljundvektori. Pertseptronis on iga neuroni sisendite arv võrdub eelmise kihi neuronite arvuga. Reeglina, ühes kihis on kõikidel neuronitel ühesugused aktiveerimisfunktsioonid. 9 Vaatleme kahekihilise pertseptroni, millel on n sisendit, m väljundit ja k neuronit ühel peidetud kihil. x1 X = M on närvivõrgu sisendvektor; x n y1 Y = M on väljundvektor; y m w111 L wn11 W1 = M O M on peidetud kihi kaalukoefitsientide maatriks; w1k1 L wnk 1 11 1 = M on peidetud kihi nihete veeruvektor; k 1 w112 L wk 12 W2 = M O M on väljund kihi kaalukoefitsientide maatriks; w1m 2 L wkm 2 12 2 = M on väljund kihi nihete veeruvektor; m 2 F1 on peidetud kihi neuronite aktiveerimisfunktsioon;
Autoassotsiatsiooni kõige tähtsamaks rakenduseks on andmete filtreerimine. Heteroassotsiatsioon erineb autoassotsiatsioonist selles, et igale sisendvektorile on vastavusse pandud oma väljundvektor, mis võib temast erineda. Heteroassotsiatsiooni puhul ei pea juba võrgu sisendite arv olema võrdne tema väljundite arvuga ja võib kasutada õpetamise algoritme. 3. Mustrite klassifitseerimine Selle ülesande puhul peab olema etteantud fikseeritud klasside arv. Iga muster (sisendvektor) kuulub ühele (või mitmele) nendest klassidest. Närvivõrgu õppimiseks mustrite klassifitseerimiseks võib kasutada nii õpetamise kui ka iseõppimise algoritme. Õpetamisalgoritmi, näiteks, vea pöördlevi meetodi kasutamisel mustrite klassifitseerimiseks iga õpetamisel kasutatava sisendvektori jaoks peab olema määratud temale vastav etalonväljund, mis ütleb millele klassile kuulub käesolev sisend. Siis pärast õpetamist
argumentide inversioonid. See on loogikafunktsiooni Read-Mülleri polünoom. · Iga loogikafunktsiooni jaoks eksisteerib täpselt 1 Read-Mülleri polünoom (analoogiliselt täielike DNK ja KNK-ga). Märgime, et kui fi & fj = 0, siis fi fj = fi fj . See seos annab võimaluse meile tuntud meetoditega tuletada Read-Mülleri polünoom näiteks Karnaugh' kaardilt. Selleks on vaja kontuuride moodustamisel mitte lubada nende kattumist (kattumine tähendaks seda, et eksisteerib sisendvektor, mis muudab "1"-ks mõlemale kontuurile vastavad konjunktsioonid). Mittekattuvad kontuurid esitavad Read-Mülleri polünoomiks sobivaid konjunktsioone, 28 millistes aga on osa argumente inverteeritud. Korrektse Read-Mülleri polünoomi saamiseks peame inversioonid abivalemiga asendama ning sulud lõplikult avama. Näide x1 x 2 x2 x 3 = x1 x 2 x2 x 3 = x1 ( x2 1) x2 ( x3 1) = x1x2 x2 x3 x1 x2
argumentide inversioonid. See on loogikafunktsiooni Read-Mülleri polünoom. Iga loogikafunktsiooni jaoks eksisteerib täpselt 1 Read-Mülleri polünoom (analoogiliselt täielike DNK ja KNK-ga). Märgime, et kui fi & fj = 0, siis fi fj = fi fj . See seos annab võimaluse meile tuntud meetoditega tuletada Read-Mülleri polünoom näiteks Karnaugh' kaardilt. Selleks on vaja kontuuride moodustamisel mitte lubada nende kattumist (kattumine tähendaks seda, et eksisteerib sisendvektor, mis muudab "1"-ks mõlemale kontuurile vastavad konjunktsioonid). Mittekattuvad kontuurid esitavad Read-Mülleri polünoomiks sobivaid konjunktsioone, millistes aga on osa argumente inverteeritud. Korrektse Read-Mülleri polünoomi saamiseks peame inversioonid abivalemiga asendama ning sulud lõplikult avama. Näide x1 x 2 x2 x 3 x1 x 2 x2 x 3 x1 x2 1 x2 x3 1 x1 x2 x2 x3 x1 x2 B9 ={ f6 , f7 , f15 }
annaabi.ee 
