《神經(jīng)網(wǎng)絡(luò)基本理論》ppt課件-預(yù)覽頁
【正文】 且這種聚類的概率分布與輸入模式的概率分布相接近。 College of Electrical and Information Engineering, Hunan Univ. 31 大腦自組織神經(jīng)網(wǎng)絡(luò) 1. 單模式訓(xùn)練情況 輸入為： X=[0 0 1] 結(jié)果： W=[ ] 輸入為： X=[0 1 0] 結(jié)果： W=[ ] College of Electrical and Information Engineering, Hunan Univ. 32 大腦自組織神經(jīng)網(wǎng)絡(luò) 2. 多模式訓(xùn)練情況 1 0 0 0 1 0 0 0 1 Input= 訓(xùn)練結(jié)果： W＝ 網(wǎng)絡(luò)輸出： Output=Input*W= 模式 1 模式 2 模式 3 模式 2 模式 1 模式 3 模式 1 模式 2 模式 3 College of Electrical and Information Engineering, Hunan Univ. 33 小腦神經(jīng)網(wǎng)絡(luò) 小腦模型關(guān)節(jié)控制器（ CMAC）是由 Albus最初于 1975年基于神經(jīng)生理學(xué)提出的，它是一種基于局部逼近的簡單快速的神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習(xí)任意多維非線性映射 , 迄今已廣泛用于許多領(lǐng)域。 對于輸入空間大的情況，聯(lián)想單元數(shù)量巨大，為了節(jié)省存儲空間， Albus提出了 hash編碼，將聯(lián)想強度存于數(shù)量大大少于聯(lián)想單元的 hash單元中，聯(lián)想單元中只存儲 hash單元的散列地址編碼 ?狀態(tài)空間聯(lián)想單元 hash單 元加法器輸出輸入空間狀態(tài)劃分College of Electrical and Information Engineering, Hunan Univ. 35 小腦神經(jīng)網(wǎng)絡(luò) ? CMAC的空間劃分和量化機制 超立方體 聯(lián)想單元 “塊” 1234 87651091 2 3 41234111213141516A BC DE Fbacdef量化的第1種 方式量化的第2種 方式量化的第3種 方式量化的第1種 方式量化的第2種 方式量化的第3種 方式College of Electrical and Information Engineering, Hunan Univ. 36 小腦神經(jīng)網(wǎng)絡(luò) ?CMAC學(xué)習(xí)的數(shù)學(xué)推導(dǎo) 1)無 hash映射的 CMAC 在 CMAC中，每個量化的狀態(tài)對應(yīng) Ne個聯(lián)想單元。 College of Electrical and Information Engineering, Hunan Univ. 37 小腦神經(jīng)網(wǎng)絡(luò) 2)有 hash映射的 CMAC hash映射將幾個聯(lián)想單元和一個物理存儲位置 (hash單元 )相對應(yīng)。 hij=1表示聯(lián)想單元 i激活hash單元 j。在第 i次迭代中用第 s個樣本學(xué)習(xí)的迭代算法為： )?( )( 1111)( 1)( 1)( 1)( isTssseisisisis WAyANWWWW ??????? ????? ??S：樣本數(shù) i：迭代次數(shù) α：學(xué)習(xí)率 期望輸出 College of Electrical and Information Engineering, Hunan Univ. 39 小腦神經(jīng)網(wǎng)絡(luò) i = 1s = 1取 第 s 組 樣 本計 算 C M A C 輸 出 y s)?(11)(1)(ssseisisyyANWW ???????s 樣 本 數(shù) n s = s + 1????nsyyJ12)?(21計算目標(biāo)函數(shù)N oY e s???Ji = i + 1N o退 出 學(xué) 習(xí)Y e sCollege of Electrical and Information Engineering, Hunan Univ. 40 小腦神經(jīng)網(wǎng)絡(luò) 例 CMAC訓(xùn)練 樣本： SampleInput1=[ ]。 3 3 3 3。 x1= indexX1=1。 else if x1 amp。amp。 訓(xùn)練 2022次，均方差結(jié)果： 訓(xùn)練 2022次，聯(lián)想強度： College of Electrical and Information Engineering, Hunan Univ. 43 小腦神經(jīng)網(wǎng)絡(luò) 輸出跟蹤結(jié)果： College of Electrical and Information Engineering, Hunan Univ. 44 小腦神經(jīng)網(wǎng)絡(luò) 樣本 2： SampleInput1=[ ]。 3 3 2 2。 2）可以利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來調(diào)整模糊控制的控制規(guī)則和模糊化的方式，使模糊控制具有了一定的自適應(yīng)能力。 ? ?22)1()( )1()2()2( ijijiijbaoutiAijij eou tinou t????? ?College of Electrical and Information Engineering, Hunan Univ. 49 )2(2)2(1)3()3( jiijij outoutinout ???第 3層（模糊推理）：代表“ and”操作，在此網(wǎng)絡(luò)中用乘法代替取小運算 3,2
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1