Обобщенно-регрессионные нейронные сети
Обобщенно-регрессионные нейронные сети(GRNN-сети) - разновидность RBF-сетей, для решения задачи регрессии с использованием ядерной аппроксимации. GRNN-сетьимеет два скрытых слоя: слой радиальных элементов и слой элементов, которые формируют взвешенную сумму для соответствующего элемента выходного слоя. В выходном слое определяется взвешенное среднее путемделения взвешенной суммы на сумму весов.
[pic]
Рис.1 Обобщенно-регрессионная сеть: входной слой (верхний) - передает сигналы на следующий слой слой радиально симметричных нейронов (красный)слой, формирующий взвешенные суммы (темные нейроны) и сумму весов (светлый нейрон) выходной слой (нижний) - делит взвешенные суммы на сумму весов.
Обобщенно-регрессионная нейронная сеть (ОРНС) устроенааналогично вероятностной нейронной сети (ВНС), но она предназначена для решения задач регрессии, а не классификации (Speckt, 1991; Patterson, 1996; Bishop, 1995). Как и в случае ВНС-сети, в точку расположениякаждого обучающего наблюдения помещается гауссова ядерная функция. Мы считаем, что каждое наблюдение свидетельствует о некоторой нашей уверенности в том, что поверхность отклика в данной точке имеетопределенную высоту, и эта уверенность убывает при отходе в сторону от точки. ОРНС-сеть копирует внутрь себя все обучающие наблюдения и использует их для оценки отклика в произвольной точке. Окончательная выходнаяоценка сети получается как взвешенное среднее выходов по всем обучающим наблюдениям, где величины весов отражают расстояние от этих наблюдений до той точки, в которой производится оценивание (и,таким образом, более близкие точки вносят больший вклад в оценку).
[pic]
Рисунок 1. Конструктор сетей - выбор ОРНС для решения задачи
Первый промежуточный слой сети ОРНС состоит из радиальных элементов.Второй промежуточный слой содержит элементы, которые помогают оценить взвешенное среднее. Для этого используется специальная процедура. Каждый выход имеет в этом слое свой...
Обобщенно-регрессионные нейронные сети(GRNN-сети) - разновидность RBF-сетей, для решения задачи регрессии с использованием ядерной аппроксимации. GRNN-сетьимеет два скрытых слоя: слой радиальных элементов и слой элементов, которые формируют взвешенную сумму для соответствующего элемента выходного слоя. В выходном слое определяется взвешенное среднее путемделения взвешенной суммы на сумму весов.
[pic]
Рис.1 Обобщенно-регрессионная сеть: входной слой (верхний) - передает сигналы на следующий слой слой радиально симметричных нейронов (красный)слой, формирующий взвешенные суммы (темные нейроны) и сумму весов (светлый нейрон) выходной слой (нижний) - делит взвешенные суммы на сумму весов.
Обобщенно-регрессионная нейронная сеть (ОРНС) устроенааналогично вероятностной нейронной сети (ВНС), но она предназначена для решения задач регрессии, а не классификации (Speckt, 1991; Patterson, 1996; Bishop, 1995). Как и в случае ВНС-сети, в точку расположениякаждого обучающего наблюдения помещается гауссова ядерная функция. Мы считаем, что каждое наблюдение свидетельствует о некоторой нашей уверенности в том, что поверхность отклика в данной точке имеетопределенную высоту, и эта уверенность убывает при отходе в сторону от точки. ОРНС-сеть копирует внутрь себя все обучающие наблюдения и использует их для оценки отклика в произвольной точке. Окончательная выходнаяоценка сети получается как взвешенное среднее выходов по всем обучающим наблюдениям, где величины весов отражают расстояние от этих наблюдений до той точки, в которой производится оценивание (и,таким образом, более близкие точки вносят больший вклад в оценку).
[pic]
Рисунок 1. Конструктор сетей - выбор ОРНС для решения задачи
Первый промежуточный слой сети ОРНС состоит из радиальных элементов.Второй промежуточный слой содержит элементы, которые помогают оценить взвешенное среднее. Для этого используется специальная процедура. Каждый выход имеет в этом слое свой...
Поделиться рефератом
Расскажи своим однокурсникам об этом материале и вообще о СкачатьРеферат