TechShape.ru

Информационные технологии

Основные разделы

Обучение КНС

Квантовые нейронные сети эффективны при выполнении сложных функций в ряде многих областей. Они включают распознавание образов, классификацию, видение, системы управления, и предсказание.

Способность к обучению - адаптации к условиям и возможностям в изменяющейся внешней среде - столь важная особенность нейронных сетей, что теперь присоединена в качестве отдельного пункта к так называемому «тесту Тьюринга», являющемуся операционным определением понятия интеллект.

Эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence), опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления близкого к человеческому.

Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы - ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга [17].

Вообще, обучение - относительно постоянное изменение в поведении, вызванное опыт. Обучение в КНС - более прямой процесс, и может захватить обучение каждого шага в отличных отношениях эффективности причины. Знание нейронной сети, сохраненные в синапсах, являются весами связей между нейронами. Эти веса между двумя слоями нейрона могут быть представлены как матрицы. Если в нейронной сети с надлежащим алгоритмом обучения определен анализ и предварительная обработка данных, то можно произвести разумное предсказание.

Определение процесса обучения подразумевает следующую последовательность событий:

· Нейронная сеть стимулируется окружающей средой.

· Нейронная сеть претерпевает изменения в своих свободных параметрах в результате возбуждение.

· Сеть отвечает новым способом к окружающей среде из-за изменений, произошедших в ее внутренней структуре.

Есть многочисленные доступные алгоритмы и можно было бы ожидать, что есть некий уникальный алгоритм для того, чтобы проектировать модель КНС. Различие между алгоритмами состоят в формулировке, способной изменить веса нейронов, и в отношении нейронов к их окружающей среде.

Все методы обучения могут быть классифицированы в две главных категории: контролируемые и неконтролируемые [3].

В Таблице 4 представлены различные алгоритмы обучения и связанные с ними архитектуры сетей (список не является исчерпывающим). В последней колонке перечислены задачи, для которых может быть применен каждый алгоритм. Каждый алгоритм обучения ориентирован на сеть определенной архитектуры и предназначен для ограниченного класса задач. Кроме рассмотренных, следует упомянуть некоторые другие алгоритмы: Adaline и Madaline, линейный дискриминантный анализ, проекции Саммона, анализ главных компонентов.

Таблица 4: Известные алгоритмы обучения:

Парадигма

Обучающее правило

Архитектура

Алгоритм обучения

Задача

С учителем

Коррекция ошибки

Однослойный и многослойный перцептрон

Алгоритмы обучения перцептрона Обратное распространение Adaline и Madaline

обучения перцептрона Обратное распространение Adaline и MadalineКлассификация образов Аппроксимация функций Предскащание, управление

Больцман

Рекуррентная

Алгоритм обучения Больцмана

Классификация образов

Хебб

Многослойная прямого распространения

Линейный дискриминантный анализ

Анализ данных Классификация образов

Соревнование

Соревнование

Векторное квантование

Категоризация внутри класса Сжатие данных

Сеть ART

ARTMap

Классификация образов

Без учителя

Коррекция ошибки

Многослойная прямого распространения

Проекция Саммона

Категоризация внутри класса Анализ данных

Хебб

Прямого распространения или соревнование

Анализ главных компонентов

Анализ данных Сжатие данных

Сеть Хопфилда

Обучение ассоциативной памяти

Ассоциативная память

Соревнование

Соревнование

Векторное квантование

Категоризация Сжатие данных

SOM Кохонена

SOM Кохонена

Категоризация Анализ данных

Сети ART

ART1, ART2

Категоризация

Смешанная

Коррекция ошибки и соревнование

Сеть RBF

Алгоритм обучения RBF

Классификация образов Аппроксимация функций Предсказание, управление

Перейти на страницу: 1 2

Еще статьи

Реконструкция местной сети, узлы которой имеют уровень STM-64
На сегодняшний день научно-технический прогресс во многом определяется скоростью передачи информации и ее объемом. В последние годы развитие телекоммуникационных технологий привело к серьезным изменениям в понимании сущности, методов построения и путей развития современных цифровых сетей связи (ЦСС) ...

Все права защищены! 2020 - www.techshape.ru