Xemming masofasidir. Bu tarmoqlar Xopfild tarmoqlarining rivojlantirilgan turi

Xemming tarmoqlari



Нейро́нная сеть Хэ́мминга — ikkilik vektorlarini klassifikatsiya qilish uchun ishlatiladigan neyron tarmoqlaridir. Bunda ular ishlatadigan asosiy kriteriya Xemming masofasidir. Bu tarmoqlar Xopfild tarmoqlarining rivojlantirilgan turi hisoblanadi.

Xemming masofasi- Bir xil uzunlikdagi ikkita so'zning mos keladigan belgilaridan farq qiladigan pozitsiyalar soni.. Masalan 1001 va 1011 orasidagi Xemming masofasi 1 ga teng, 1101 va 1011 da 2 ga teng.

Tarmoq x=(x₁, x₂, x₃,... x_m) ikkilik vektorni (bu yerda x_i={-1,1}) etalon obrazlardan biri bilan bog'lash uchun (har bir sinf o'z obraziga ega bo’ladi) yoki vektor hech qaysi etalonga mos kelmasligini hal qilish uchun ishlatiladi.

Сеть предложена Ричардом Липпманном в 1987 году. U maxsus heteroassosiativ xotira qurilmasi sifatida ishlatilgan.^[1]

Hamming tarmog'i-bu uch qavatli teskari aloqali neyron tarmog'idir. Ikkinchi va uchinchi qatlamdagi neyronlar soni tasniflanadigan sinflar soniga teng. Ikkinchi qatlam neyronlarining sinapslari tarmoqning har bir kirishiga ulangan, uchinchi qatlam neyronlari esa manfiy teskari aloqa bilan o’zaro bog’langan, faqat o’zining aksoniga ulangan sinapslargina musbat teskari aloqaga ega.

Tarmoqni o’qitish.

Birinchi qatlamning vazn koeffitsiyentlari etalon X obrazlar matritsasi dan quyidagicha

hosil qilinadi. Bu yerda etalon obrazlar matritsasi K x M matritsasidir. bunda har bir qator mos etalon ikkilik vektoridir. Aktivatsiya funksiyasi esa quyidagicha aniqlanadi:

bu yerda T=M/2

Ikkinchi qatlamning vazn koeffitsiyentlari matritsasi K x K o’lchamli bo’ladi va quyidagicha aniqlanadi.

Shunday qilib o’qitish bitta siklda amalga oshiriladi.

Работа сети

В случае, если в итоге один вектор положительный, а остальные отрицательные, то он указывает на подходящий образец. В случае же, если несколько векторов положительны, и при этом, не один из них не превышает {\displaystyle E_{max}} E_max, то это значит, что нейросеть не может отнести входящий вектор ни к одному из классов, однако положительные выходы указывают на наиболее схожие эталоны.

kirishga   klassifikatsiyalanadigan vektor beriladi. Birinchi qavatdagi neyronlarning holati quyidagicha hisoblanadi . Birinchi qatlam neyronlarining chiqishi faollashtirish funktsiyasini qo'llash orqali olinadi va ikkinchi qavatning mos neyronlarining boshlang'ich qiymatiga aylanadi. Bundan keyin, ikkinchi qavat neyronlarining holati, ikkinchi qatlamning og'irlik koeffitsientlari matritsasidan kelib chiqib avvalgi holatidan ( 2-qatlamining vazn koeffitsiyentlari matritsasidan foydlanib) olinadi, va protsedura ikkinchi qatlamning holat vektori barqaror bo'lgunga qadar takrorlanadi. Ya’ni ketma -ket ikkita iteratsiya vektorlari farqining me'yori E_max ning ma'lum qiymatidan kam bo'lguncha(amalda 0,1 qiymat yetarli bo’ladi).

Agar oxir -oqibatda bitta vektor musbat, qolganlari manfiy bo'lsa, u mos namunani ko'rsatadi. Agar bir nechta vektorlar musbat bo'lib, ularning hech biri E_max dan oshmasa, demak, neyron tarmoq kirish vektorini hech bir sinfga tayinlay olmagan bo’ladi, lekin musbat chiqishlar eng o'xshash etalonlarni ko'rsatadi.

Примеры

Сеть может использоваться для распознавания изображений, состоящих лишь из чёрных и белых пикселей, например, индекс, написанный на кодовом штампе конверта.