Bài giảng Mạng nơron và ứng dụng trong xử lý tín hiệu: Các mạng nơron đơn giản dùng cho phân loại mẫu - Nguyễn Công Phương

Chia sẻ: Năm Tháng Tĩnh Lặng | Ngày: | Loại File: PDF | Số trang:40

Thêm vào BST

Báo xấu

158
lượt xem 14
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng này giới thiệu về các mạng nơron đơn giản dùng cho phân loại mẫu. Chương này trình bày các nội dung chính như: Mạng Hebb, Perceptron, Adaline, Madaline. Mời các bạn cùng tham khảo để nắm bắt các nội dung chi tiết.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Mạng nơron và ứng dụng trong xử lý tín hiệu: Các mạng nơron đơn giản dùng cho phân loại mẫu - Nguyễn Công Phương

Nguyễn g y Công g Phương g Mạng nơron và ứng dụng trong xử lý tín hiệu Các mạng nơron đơn giản dùng cho phân loại mẫu
Nội dung • Giới thiệu • Các mạng nơron đơn giản dùng cho phân loại mẫu • Kết hợp mẫu • Các mạng cạnh tranh • Lý thuyết cộng hưởng thích nghi • Mạng lan truyền ngược • Lô í h mờ Lôgích ờ vàà mạng nơron ơ lô í h mờ lôgích ờ • Một số ứng dụng trong xử lý tín hiệu Các mạng nơron đơn giản dùng cho phân loại mẫu 2
Nội dung • Giới thiệu • Mạng Hebb • Perceptron • Adaline • Madaline Các mạng nơron đơn giản dùng cho phân loại mẫu 3
Giới thiệu (1) 1 X1 b w1  Y  1 f (net )   nÕu net  0 wi  1 Õ net  0 nÕu Xi net  b   wi xi i  wn Xn Các mạng nơron đơn giản dùng cho phân loại mẫu 4
x2 Giới thiệu (2) b  w2 b  1 w1 b 0 x1  1 nÕu net  0 X1 w1 Y f ( net )    1 nÕu net  0 net  b  w1 x1  w2 x2 w2 b  w1 x1  w2 x2  0 X2 w b  x2   1 x1  w2 w2 Các mạng nơron đơn giản dùng cho phân loại mẫu 5
x1 x2 y Giới thiệu (3) b  270  w1  18; w2  15 2 9 1 x2 3 5 1 6 8 1 12 3 1 b   15 7 15 –1 w2 8 11 –1 12 14 –1 14 6 –1  1 nÕu net  0 y  f ( net )    1 nÕu net  0 net  270  15 x1  18 x2 0 b x1   18 x1  8, 8 x2  5  net  270  15 8  18 15.8 5  60 18.5  y 1 w1 x1  11, x2  7  net  270  15.11  18.7  21  y  1 Các mạng nơron đơn giản dùng cho phân loại mẫu 6
Giới thiệu (4) x2 b   15 w2 b  270  w1  18; w2  15 b  540  w1  30; w2  36 b  1  w1  0,056; w2  0,067 0 x1   b w1  18 Các mạng nơron đơn giản dùng cho phân loại mẫu 7
Giới thiệu (5) x1 x2 y x1 x2 y 2 9 1 2 9 –1 3 5 1 3 5 –1 6 8 1 6 8 –11 12 3 1 12 3 –1 7 15 –1 7 15 1 8 11 –1 8 11 1 12 14 –1 12 14 1 14 6 –11 14 6 1  1 nÕu net  0  1 nÕu net  0 y  f ( net )   y  f ( net )    1 nÕu net  0  1 nÕu net  0 net  270  15 x1  18 x2 net  270  15 x1  18 x2 Các mạng nơron đơn giản dùng cho phân loại mẫu 8
Giới thiệu (6) x2 0 x1 Các mạng nơron đơn giản dùng cho phân loại mẫu 9
Giới thiệu (7) 1 X1 b w1  Y  1 f (net )   nÕu net  0 wi  1 Õ net  0 nÕu Xi net  b   wi xi i  wn Xn Biên giới: b  w x i i i 0 Các mạng nơron đơn giản dùng cho phân loại mẫu 10
Nội dung • Giới thiệu • Mạng Hebb • Perceptron • Adaline • Madaline Các mạng nơron đơn giản dùng cho phân loại mẫu 11
Mạng Hebb (1) Bước 1 Khởi tạo tất cả các trọng số wi = 0 (i = 1 tới n) B ớ 2 Đặt giá Bước iá trị t ị cho h các á nơron đầu đầ vào à xi = si Bước 3 Đặt giá trị cho nơron đầu ra y=t Bước 4 Chỉnh trọng số wi(mới) = wi(cũ) + xiy (i = 1 tới n) Chỉnh bias b(mới) = b(cũ) + y Bước 5 Lặp lại các bước 2, 3, 4 cho tất cả cặp đầu vào & đầu ra của bộ huấn luyện Các mạng nơron đơn giản dùng cho phân loại mẫu 12
VD1 Mạng Hebb (2) x1 x2 b y x1y x2y w1 w2 b 0 0 0 1 1 1 1 1 1 0+1=1 0+1=1 0+1=1 1 0 1 0 0 0 1+0=1 1+0=1 1+0=1 0 1 1 0 0 0 1+0=1 1+0=1 1+0=1 0 0 1 0 0 0 1+0=1 1+0=1 1+0=1 Bước 1 wi = 0 (i = 1 tới n) Bước 2 xi = si 1 nÕu net  0 Bước 3 y=t  f ( net )   Bước 4 wi(mới) = wi(cũ) + xiy (i = 1 tới n) 0 nÕu net  0 b(mới) = b(cũ) + y Bước 5 Lặp lại các bước 2, 3, 4 net  1  x1  x2 Các mạng nơron đơn giản dùng cho phân loại mẫu 13
VD1 Mạng Hebb (3) x1 x2 b y x1y x2y w1 w2 b 0 0 0 1 1 1 1 1 1 0+1=1 0+1=1 0+1=1 1 0 1 –11 –11 0 1–1=0 0+1=1 1–1=0 0 1 1 –1 0 –1 0+0=0 1–1=0 0 – 1 = –1 0 0 1 –1 0 0 0+0=0 0+0=0 –1 – 1 = –2 Bước 1 wi = 0 (i = 1 tới n) Bước 2 xi = si  1 nÕu net  0 Bước 3 y=t  f ( net )   Bước 4 wi(mới) = wi(cũ) + xiy (i = 1 tới n)  1 nÕu net  0 b(mới) = b(cũ) + y Bước 5 Lặp lại các bước 2, 3, 4 net  2  0 x1  0 x2 Các mạng nơron đơn giản dùng cho phân loại mẫu 14
VD1 Mạng Hebb (4) x1 x2 b y x1y x2y w1 w2 b 0 0 0 1 1 1 1 1 1 0+1=1 0+1=1 0+1=1 1 –11 1 –11 –11 1 1–1=0 1+1=2 1–1=0 –1 1 1 –1 1 –1 0+1=1 2–1=1 0 – 1 = –1 –1 –1 1 –1 1 1 1+1=2 1+1=2 –1 – 1 = –2 Bước 1 wi = 0 (i = 1 tới n) Bước 2 xi = si  1 nÕu net  0 Bước 3 y=t  f ( net )   Bước 4 wi(mới) = wi(cũ) + xiy (i = 1 tới n)  1 nÕu net  0 b(mới) = b(cũ) + y Bước 5 Lặp lại các bước 2, 3, 4 net  2  2 x1  2 x2 Các mạng nơron đơn giản dùng cho phân loại mẫu 15
VD2 Mạng Hebb (5) # . . . #  1  1 1  1 1   1 1 1 1 1 . # . # .   . . # . .  1 1 1 1 1   . # . # .   1 1  1 1  1 # . . . #  1 1 1 1 1  1, 1, 1, 1,1; 1,1, 1,1, 1; 1, 1,1, 1, 1; 1,1, 1,1, 1;1, 1, 1, 1,1 . # # # .  1 1 1 1 1 # . . . #  1  1  1 1 1    # . . . #  1  1 1 1 1    # . . . #  1  1  1  1 1  . # # # .  1 1 1 1 1 1,1,1,1, 1;1, 1, 1, 1,1;1, 1, 1, 1,1;1, 1, 1, 1,1; 1,1,1,1, 1 Các mạng nơron đơn giản dùng cho phân loại mẫu 16
VD2 Mạng Hebb (6) x (1)  [1, 1, 1, 1,1, 1,1, 1,1, 1, 1, 1,1, 1, 1, 1,1, 1,1, 1,1, 1, 1, 1,1] # . . . # . # . # . y (1)  1 . . # . . w (0)  [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0] . # . # . b(0)  0 # . . . # w (1)  w (0)  x (1) y (1)  [1, 1, 1, 1,1, 1,1, 1,1, 1, 1, 1,1, 1, 1, 1,1, 1,1, 1,1, 1, 1, 1,1] b((1))  b((0))  y ((1))  0  1  1 . # # # . x (2)  [ 1,1,1,1, 1,1, 1, 1, 1,1,1, 1, 1, 1,1,1, 1, 1, 1,1, 1,1,1,1, 1] # . . . # y (2)  1 # . . . # w (2)  w (1)  x (2) y (2) # . . . #  [2, 2, 2, 2, 2, 2, 2,0, 2, 2, 2,0, 2,0, 2, 2, 2,0, 2, 2, 2, 2, 2, 2, 2] . # # # . b(2)  b(1)  y (2)  1  1  0 Các mạng nơron đơn giản dùng cho phân loại mẫu 17
VD2 Mạng Hebb (7)  1 nÕu net  0 f ( net )    1 nÕu net  0 net   i 1 wi xi 25 w  [2, 2, 2, 2, 2, 2, 2,0, 2, 2, 2,0, 2,0, 2, 2, 2,0, 2, 2, 2, 2, 2, 2, 2] # . . . . x  [1, 1, 1, 1, 1, 1,1, 1,1, 1, 1, 1,1, 1, 1, 1,1, 1,1, 1,1, 1, 1, 1,1] . # . # . . . # . . net  40 . # . # . f 1 # . . . # # # # # . . . . x  [1,1,1,1, 1,1, 1, 1, 1,1,1, 1, 1, 1,1,1, 1, 1, 1,1, 1,1,1,1, 1] # # # . . # . net  40 # . . # . f  1 . # # # . Các mạng nơron đơn giản dùng cho phân loại mẫu 18
VD3 Mạng Hebb (8) x3 ( 1,1,1) x1 x2 x3 y (1, 1,1) (1,1,1) 1 1 1 1 1 1 –1 –1 1 –11 1 –11 x2 –1 1 1 –1 x1 (1,1, 1)  1 nÕu net  0 f ( net )    1 nÕu net  0 net  2 Các mạng nơron đơn giản dùng cho phân loại mẫu 19
Nội dung • Giới thiệu • Mạng Hebb • Perceptron • Adaline • Madaline Các mạng nơron đơn giản dùng cho phân loại mẫu 20