(1)
Нейросетевой гауссов классификатор.
Другие названия: Gaussian Classifier Implemented Using the Perseptron Structure (гауссов классификатор, реализованный на персептроне).
Модель предложена Липпманом в 1987 году.
Персептрон может быть использован для реализации гауссова классификатора по максимуму вероятности (Gaussian maximum likelihood classifier).
В классическом алгоритме обучения персептрона не используются предположения относительно распределений примеров обучающих выборок, а рассматривается функция ошибки. Этот алгоритм работает более устойчиво, если входные сигналы формируются в результате нелинейных процессов и распределены несимметрично и не по гауссову закону.
В основе построения Гауссова классификатора лежат предположения о распределениях входных сигналов. Считается, что эти распределения известны и соответствует закону Гаусса.
Формулы для расчета параметров нейросетевого гауссова классификатора определяются следующим образом. Пусть mAi и sAi2 - среднее значение и отклонение (мат. ожидание и дисперсия) входного сигнала xi, когда входной сигнал принадлежит классу A, mBi и sBi2 - среднее значение и отклонение входного сигнала xi, когда входной сигнал принадлежит классу B, и sAi2=sBi2=si2. Тогда значения вероятности, используемые классификатором по максимуму вероятности пропорциональны следующим величинам:
(1)
(2)
Классификатор по максимуму вероятности должен вычислять LA LB и выбирать класс с наибольшей вероятностью. Первые слагаемые в формулах идентичны. Поэтому их можно опустить. Вторые слагаемые могут быть вычислены путем умножения входных сигналов на синаптические веса. Третьи слагаемые - константы, значения которых можно присвоить смещению нейрона.
Значения синаптических весов:
(3)
Значение смещения:
(4)
ТИП ВХОДНЫХ СИГНАЛОВ: бинарные или аналоговые (действительные).
РАЗМЕРНОСТИ ВХОДА И ВЫХОДА ограничены при программной реализации только возможностями вычислительной системы, на которой моделируется нейронная сеть, при аппаратной реализации - технологическими возможностями.
распознавание образов, классификация.
Примитивные разделяющие поверхности (гиперплоскости) дают возможность решать лишь самые простые задачи распознавания. Считаются априорно известными распределения входных сигналов, соответствующие разным классам.
Программные или аппаратные реализации модели очень просты. Простой и быстрый алгоритм формирования синаптических весов и смещений.
Можно построить адаптивный гауссов классификатор.
|
При использовании информации, находящейся на данной странице,
вы обязаны ссылаться на следующую работу:
Отчет по научно-исследовательской работе "Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии"; Копосов А.И., Щербаков И.Б., Кисленко Н.А., Кисленко О.П., Варивода Ю.В. и др., ВНИИГАЗ, 1995. |