Xemming klassifikatori tavsifi

Xemming klassifikatori – tavsifi

Ushbu loyiha signallar tasniflagichi sifatida ishlaydigan Hamming neyron tarmog'ining xususiyatlarini, ilovalarini va yaratish jarayonini tavsiflaydi.

Ushbu loyihada tasvirlangan tarmoq modeli professional adabiyotda tasvirlanganidan biroz farq qilishi mumkinligini sezishingiz mumkin. Buning sababi, biz o'z tarmog'imizni Matlab muhitida amalga oshirish uchun yaratdik. Shunga qaramay, tarmoq to'g'ri ishlaydi.

Hamming Network qanday signallarni qayta ishlaydi?

Tarmoq analog usulda ishlayotgan bo'lsa-da, u ikkilik signallarni qayta ishlaydi - boshqa tomondan, bu signallar "shovqinli" bo'lishi mumkin va faqat nol va birliklar emas, balki doimiy qiymatlarga ega bo'lishi mumkin.

Hamming tarmog'i nimaga o'xshaydi?

Hamming tarmog'i nimaga o'xshaydi?

Yuqorida keltirilgan rasmda biz Hamming tarmog'ini ko'rishimiz mumkin. Uni ikkita asosiy bo'limga bo'lish mumkin:

kirish qatlami - neyronlar bilan qurilgan qatlam, bu neyronlarning barchasi barcha tarmoq kirishlariga ulangan;chiqish qatlami - bu MaxNet qatlami deb ataladi; bu qatlamning har bir neyronining chiqishi ushbu qatlamning har bir neyronining kirishiga ulanadi, bundan tashqari bu qatlamning har bir neyroni kirish qatlamining aynan bitta neyroniga ulanadi (yuqoridagi rasmda bo'lgani kabi).

Ikkala qatlamda ham bir xil miqdordagi neyronlar mavjudligini ko'rish oson.

Hamming Network qanday ishlaydi?

Kirish qatlami neyronlari aniq sonli naqshlarni aniqlash uchun dasturlashtirilgan; bu qatlamdagi neyronlar soni ushbu naqshlar soniga mos keladi (M neyronlar - M naqshlar). Ushbu neyronlarning chiqishlari kirish signalining berilgan naqshga o'xshashligini "o'lchaydigan" funktsiyani amalga oshiradi.

Chiqish qatlami sinov signaliga eng o'xshash naqshni tanlash uchun javobgardir. Ushbu qatlamda eng kuchli javob beradigan neyron boshqa neyronlarning javoblarini to'xtatadi (odatda bu bir necha hisoblash sikllaridan keyin sodir bo'ladi va bu tsikllar davomida x(i) kirishlarida "0" bo'lishi kerak).

Chiqishda tarmoqning javobiga ishora qiluvchi “1 dan M” kodi bo'lishi kerak (1 ta M naqsh tan olinadi). Bunga erishish uchun to'g'ri uzatish funktsiyasidan foydalanish kerak - bizning holatlarimizda eng yaxshi funksiya edi

Bog'lanish og'irliklari qanday yaratiladi?

Kirish qatlami neyronlarining og'irligi

Ushbu og'irliklar barcha neyronlarning maksimal javoblari teng bo'lishini ta'minlash uchun o'rnatiladi va aynan bitta naqsh o'ziga xos neyronning javob berishiga sabab bo'ladi. Bunga erishish uchun tarmoqni o'rgatishning hojati yo'q, og'irliklarni matematik tarzda belgilash kifoya.

qayerda:

w (i, j) - "j" neyroni va "i" kirish o'rtasidagi aloqaning og'irligix(i,j) – “j” naqshidagi “i” signalining qiymati

Neyronning og'irliklari va impulslarining mahsulotini og'irlik vektori va impuls vektori orasidagi burchakning kosinusi sifatida talqin qilish mumkinligini eslaganimizda, bu tenglama aniq bo'ladi. Ushbu vektorlar teng bo'lganda, neyron chiqishi "1" bo'ladi, vektorlar boshqacha bo'lsa, chiqish qiymati diapazoni -1 dan 1 gacha bo'ladi.

Chiqish qatlami neyronlarining kirish og'irliklari

Dastlab, biz chiqish qatlami neyronlari kirish sonini aniqlashimiz kerak.

Ushbu neyronlarning har biri bir-biriga bog'langan:

o'ziga - vazn = 1chiqish qatlamining barcha neyronlariga - har bir ulanishning og'irligi -1 / Mkirish qatlamining tegishli neyroniga - vazn = 1

Bir misol

Hamming klassifikatori bilan tanishish uchun biz Matlab muhitida tarmoq yaratdik. Uning vazifasi tarmoq "xotirasida" qayd etilgan 8 ta belgidan 1 tasini tanib olishdir. Quyidagi rasmda 8 ta ishlatilgan belgilar ko'rsatilgan:

Ushbu belgilarni ifodalovchi matritsalar ikki o'lchovli (3x5 piksel), lekin ularni bir qatorli (15 pozitsiya) vektor sifatida yozish qulayroq edi. Qora kvadratlar bir, oq kvadratlar esa nolga teng. To'g'ri hisob-kitoblarni amalga oshirish uchun biz barcha qator vektorlarini normallashtirdik.

Biz 8 ta belgini tasniflashni xohlaymiz, shuning uchun bizning tarmog'imiz 2 guruhga bo'lingan 16 ta neyronni, har bir qatlamda 8 ta neyronni o'z ichiga oladi.

Kirish qatlamining og'irligi oldindan normallashtirilgan belgilarning transpozitsiyalangan matritsasi sifatida belgilangan.

Chiqish qatlamining og'irligi ilgari aytilgan taxminlarga muvofiq aniqlanadi ( "Chiqish qatlami neyronlarining kirish og'irliklari" bo'limiga qarang) va bizning holatlarimizda "–1/M" parametri "–1/8" ga o'rnatildi. Ushbu matritsaning qatorlarini normallashtirish kerakligini unutolmaymiz.

Biz tanlagan neyron faollashtirish funksiyasi:

Tarmoq javobini barqarorlashtirish uchun chiqish qatlamidagi 15 ta hisoblash tsikli etarli bo'ladi, deb taxmin qildik; lekin biz kuchli shovqin bilan shug'ullanganimizda, bu etarli emasligini payqadik. Har bir tsiklda chiqishlardan birida “1” bor yoki yoʻqligini tekshirish eng yaxshi yechim boʻlardi, lekin u holda tasnifni amalga oshirish uchun qancha vaqt kerakligini taxmin qilish qiyin boʻladi – va bu bilan ishlashda bu juda muhim. DSP.

Tajribaning oxirgi qismi bizning belgilarimizga biroz shovqin qo'shish va keyin tarmoqni tekshirish edi. “Analog” shovqin rand() funksiyasi bilan hosil qilinadi.

Xulosa

Biz yaratgan tarmoq to'g'ri ishlaydi - agar iloji bo'lsa, u shovqin bilan ham berilgan belgini taniydi. Buni amalga oshirishning mutlaqo imkoni bo'lmaganida yoki ikkita neyron bir-biriga o'xshash kuchli javoblarga ega bo'lganda, uni to'g'ri tan olmaydi - buni tanib olish uchun ko'proq hisoblash tsikllari kerak bo'ladi.

To'liq m-faylni yuklab olish uchun shu yerni bosing .

Butun loyihani yuklab olish uchun shu yerni bosing .

Ma'lumotnomalar

prof. Ryszard Tadusiewicz, "Sieci neuronowe", Akademicka Oficyna Wydawnicza RM 1993 yilprof. Andjey Kos, "Przemysłowe zastosowania sztucznej inteligencji", ma'ruza