Algoritm loyihalash va tahlil qilish” fanidan mustaqil ishi mustaqil ish mavzu

Δwj,i(n)=−η∂Eav∂wij, (1)

Qaerda - j-neyronning i-ulanishining og'irligi, η - tuzatish qadamining hajmini qo'shimcha ravishda boshqarish imkonini beradigan o'quv tezligining parametri Δwj, minimal xatoga aniqroq moslash uchun va o'quv jarayonida eksperimental ravishda tanlanadi (0 dan 1 gacha o'zgarib turadi).

J-neyronning chiqish yig'indisi ekanligini hisobga olsak

Sj=n∑i=1wijxi,

Quydagicha boladi yani


Oxirgi ifodadan differentsial ekanligi kelib chiqadi ∂Sj tarmoqdagi neyronlarning faollashtirish funktsiyasi f(s) mavjud bo'lishi va har qanday nuqtada nolga teng bo'lmasligi kerak, ya'ni. faollashtirish funktsiyasi butun son o'qi bo'yicha farqlanishi kerak. Shuning uchun, backpropagation usulini qo'llash uchun sigmasimon aktivizatsiya funktsiyalari, masalan, logistik yoki giperbolik tangens qo'llaniladi.

Backpropagation algoritmidan foydalangan holda ko'p qatlamli asab tarmog'ini o'qitish printsipi Backpropagation algoritmidan foydalangan holda neyron tarmog'ini tayyorlash jarayonini ko'rib chiqing.

Ushbu jarayonni tasvirlash uchun biz uchta qatlamdan iborat va ikkita kirish va bitta chiqishga ega bo'lgan neyron tarmoqdan foydalanamiz: bu erda muallif qatlamlarni boshqacha ko'rib chiqadi va kirish qatlamining "2 neyroni" ni hisobga olmaydi

Har bir neyron ikkita elementga ega. Birinchi element, dendritlar, kirish signallariga og'irlik qo'shadi. Ikkinchi element - tanasi - chiziqli bo'lmagan funktsiyani amalga oshiradi. neyronlarni faollashtirish funktsiyasi. Signal e - kirish signallarining tortilgan yig'indisi