НОУ ИНТУИТ | Нейрокомпьютерные системы. Лекция 16: Контрастирование (редукция) нейронной сети

Учитесь и получайте официальные документы БЕСПЛАТНО. Вы можете поддержать наш проект.

Регистрация Вход

Твой путь к знаниям!

Опубликован: 13.09.2006 | Уровень: специалист | Доступ: платный | ВУЗ: Новосибирский Государственный Университет

|

Вам нравится? Нравится 19 студентам

| Поделиться |

Поддержать программу

Опишем вычисления более детально.

1. Проводим нормировку: для любого полагаем $g_i^0 = f_i/\|f_i\|$ .

2. Вычисляем |(F, g_i^0)| (модуль проекции вектора на вектор g_i^0 ), $i = 1, \ldots, N$ . Находим среди этих чисел максимальное (пусть его номер $i_{0,max}$ ), полагаем $e_1 = g_{i0 max}^0$ , исключаем $g_{i0 max}^{0}$ из множества $\{g_i^0\}$ , получаем g_i^1
= g_i^0 - (g_i^0,e_1)e_1 , исключаем из множества $\{g_i^1\}$ нулевые векторы, если таковые существуют, проводим нормировку $g_i^1 = g_i^1/\|g_i^1\|$ .

3. Пусть определены векторы $e_1, \ldots, e_l$ и не более чем n-l нормированных векторов g_i^l . Среди векторов g_i^l ищем такой $g_{i,max}^l$ , для которого |(F,
g_i^l)| принимает максимальное значение, полагаем $e_{l+1} = g_{i,max}^l$ , исключаем $g_{i,max}^l$ из множества векторов $\{g_i^l\}$ ; полагаем $g_i^{l+1} = g_i^l - (g_i^l,e_{l+1})e_{l+1}$ , исключаем из этого множества нулевые векторы, если таковые существуют, нормируем: $g_i^{l+1} = g_i^{l+1}/\|g_i^{l+1}\|$ .

Вычисления проводим, пока $\|F\|^2 - \sum_{i=1,l}(F,e_i)^2 > \varepsilon^2$ .

После завершения вычислений имеем набор ортонормированных векторов $e_1, \ldots, e_l, l \leqslant n$ . Они являются линейными комбинациями векторов $f_{i,1max}, \ldots, f_{i,lmax}$ . Коэффициенты разложения e_j по набору $f_{i,1max}, \ldots, f_{i,lmax}$ могут быть вычислены и сохранены в ходе ортогонализации. Полагаем $J = \{i_{1max}, \ldots, i_{lmax}\}$ . Тогда $F' = \sum_{j=1,l}(F,e_j)e_j = \sum_{j \in J} \beta_j f_j$ . Это и есть решение задачи. Числа $\beta_j$ выражаются через коэффициенты разложения векторов $e_i, i = 1, \ldots, l$ по $f_j, j \in J$ и скалярные произведения (F,e_j) : если $e_i = \sum_{j \in J} q_{ij} f_j$ , то $\beta_j = \sum_{i=1,l}(F,e_i)q_{ij}$ .

Разложение e_i по $f_j, j \in J$ имеет рекурсивную форму:

$\begin{align*} &e_1 = f_{i,1max}/\|f_{i,1max}\|,\\ &e_2 = [f_{i,2max} - (f_{i,2max}, e_1)e1]/\|f_{i,2max} - (f_{i,2max},e_1)e_1\|,\\ &\ldots,\\ &e_j = [f_{i,jmax} - \sum_{r=1,j-1}(f_{i,jmax},e_r)e_r]/\| f_{i,jmax} -\sum_{r=1,j-1}(f_{i,jmax},e_r)e_r\|,\\ &\ldots \end{align*}$

Для функций вида $F(x,w) = \varphi (\sum_i w_i f_i(x))$ с дифференцируемой функцией процедура аналогична с точностью до замены скалярного произведения: используется скалярное произведение с весами $(f,g) = \sum_p V_p f^p g^p$ , где $V_p = ( (\sum_i w_i f_i(x^p)))^2$ . В этом скалярном произведении вычисляются все нормы и проводится ортогонализация.

Для функций с пороговой нелинейностью на выходе используем скалярное произведение с весами $V_p = |\sum_i w_i f_i(x^p)|^2$ .

Описанная процедура сокращения "сверху вниз" с ортогонализацией особенно важна для упрощения элементов сложных сетей, в структуре которых и вектор входных сигналов элемента может быть далек от исходных данных, и его выходной сигнал далек от оцениваемого выхода всей сложной системы.

Процедуры анализа значимости и сокращения описания выделяют наиболее важные параметры и связи в НС. По аналогии с обработкой изображения их называют процедурами контрастирования или редукции.

Роль контрастирования (редукции) не сводится только к сокращению описания: более общая задача - привести параметры системы к выделенному набору значений, в частности, уменьшить разрядность, что важно для удешевления специализированных устройств, экономии памяти и т.д.

Дальше >>

Нейрокомпьютерные системы

Нейрокомпьютерные системы

Контрастирование (редукция) нейронной сети

Вопросы и ответы

Студенты

Авторизоваться

Нейрокомпьютерные системы

Нейрокомпьютерные системы

Контрастирование (редукция) нейронной сети

Вопросы и ответы

Студенты