神經(jīng)網(wǎng)絡基本理論(1)-資料下載頁
2025-05-26 18:04本頁面
【正文】 4 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； ，這些單元從 1到 12按升序排列； 1個狀態(tài)被超立方體 Aa,Cc,Ee覆蓋，將激活與這 3個超立方體相對應的聯(lián)想單元，對應于該狀態(tài)的激活向量為： ]001000100010[?TsCBeijing University of Posts and Telemunications. 52 小腦神經(jīng)網(wǎng)絡 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。 hash單元中存儲聯(lián)想強度，而此時的聯(lián)想單元是虛擬的存儲空間，只存儲 hash單元的散列地址編碼。有 hash映射的 CMAC特別適用于存儲空間小于超立方體數(shù)量時的情況。用有 hash映射的 CMAC技術，第 s個狀態(tài)對應的輸出數(shù)據(jù) ys可以被表示為： ? ?????????????????????????????pphhphMMNNMNsssTsshhhhcccHWCy????????21,1,111,2,1,式中 Mp是 hash單元的數(shù)量，它小于聯(lián)想單元數(shù) Nh。 hij=1表示聯(lián)想單元 i激活hash單元 j。由于每個聯(lián)想單元僅僅和一個 hash單元相對應，所以 hash矩陣H的每一行僅有一個單元等于 1，其余的都等于 0。 Beijing University of Posts and Telemunications. 53 小腦神經(jīng)網(wǎng)絡 ? ?WaaaWAy hNsssTss ,2,1, ??? 沒有 hash映射的公式和有 hash映射的公式可以合并為一個式子： ??????映射有映射無h a s h h a s h HCCATsTsTs?CMAC的學習 CMAC用迭代算法來訓練聯(lián)想強度。在學習中，我們將 Ns個訓練數(shù)據(jù)重復用于學習。在第 i次迭代中用第 s個樣本學習的迭代算法為： )?( )( 1111)( 1)( 1)( 1)( isTssseisisisis WAyANWWWW ??????? ????? ??S：樣本數(shù) i：迭代次數(shù) α：學習率 期望輸出 Beijing University of Posts and Telemunications. 54 小腦神經(jīng)網(wǎng)絡 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計算目標函數(shù)N oY e s???Ji = i + 1N o退 出 學 習Y e sBeijing University of Posts and Telemunications. 55 小腦神經(jīng)網(wǎng)絡 例 CMAC訓練 樣本： SampleInput1=[ ]。 SampleInput2=[ ]。 SampleOutput=[4 4 4 4。2 2 2 2。 3 3 3 3。 1 1 1 1]。 量化：兩輸入均量化為四個元素 if x10 amp。amp。 x1= indexX1=1。 else if x1 amp。amp。 x1= indexX1=2。 else if x1 amp。amp。 x1= indexX1=3。 else if x1 amp。amp。 x1= indexX1=4。 end Beijing University of Posts and Telemunications. 56 小腦神經(jīng)網(wǎng)絡 狀態(tài)編號： MSTATENUM= 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 激活向量矩陣： 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 MC= Beijing University of Posts and Telemunications. 57 小腦神經(jīng)網(wǎng)絡 聯(lián)想強度初始值： Weight=rand(12,1)。 學習率： learningRate=。 訓練 2022次，均方差結果： 訓練 2022次，聯(lián)想強度： Beijing University of Posts and Telemunications. 58 小腦神經(jīng)網(wǎng)絡 輸出跟蹤結果： Beijing University of Posts and Telemunications. 59 小腦神經(jīng)網(wǎng)絡 樣本 2： SampleInput1=[ ]。 SampleInput2=[ ]。 SampleOutput=[4 4 4 4。2 2 2 2。 3 3 2 2。 1 1 1 1]。 聯(lián)想強度結果： Beijing University of Posts and Telemunications. 60 小腦神經(jīng)網(wǎng)絡 輸出跟蹤結果：
環(huán)評公示相關推薦
鄂ICP備17016276號-1