37) Сеть Хэмминга.

Является гетероассоциативным ЗУ, которое позволяет классифицировать поступательный сигнал в соответствии с запомненными в сети эталонами.

Идея: множество входных сигналов, которые после обработки сети дают ХУ из множества выходных сигналов (). По входу для определенного выхода.

На первый слой поступает Х = (), N- мерный вектор, поступает на 1й слой. Р – нейронов, кот. хранят записи о р-эталона

Идея:

Идея поиска: определение какому эталону принадлежит

Х=( 0 1 1 1 0 1)

У=( 1 0 1 1 0 1)

Опр. ближайший код, чтобы на выходе получить сигнал входного.

Идея функционирования сети Хемминга состоит в min распределяется между входным вектором и эталонным вектором закодированными в строке сети.

Основную работу делает внутренний слой (MAXNET).

Его задача состоит в том, чтобы из р-нейрон по правилу WTA – Winner Takes All.

Веса определяются

Все остальные

< < 0, ij

Веса 1го слоя, соответствуют входным векторам

, i=

На вход поступило элементов вектора, после поступления в соответствии с весовыми коэффициентами, внутренний слой начинает свой итерационный процесс.

Процесс продолжается до тех пор, пока все нейроны кроме 1го победителя с выхода 1 сигнала перейдут в нулевое состояние.

Нейрон-победитель с 0-м состоянием, определяет класс данных, к которому относится входной сигнал.

В 3й фазе, нейрон-победитель формирует выходной сигнал У, который соответствует входному сигналу.

38) .Рекурентная сеть Эльмана

Каждый скрытый нейрон имеет свой аналог в контекстном слое образует совместно с внешним входом сети входной слой.

внутреннее возбуждение

выходной сигнал I-го нейрона

39). Персептронная сеть с обратной связью rmlp.

R – рекурент, M – многослойный, P – персептор.

Это динамическая сеть, кот. характеризуется запаздыванием вх/вых сигналов во входн. вектор скрытого нейрона.

w – входной сигнал соед. со скрытым слоем.

Модель динамической сети

Сеть (N,P,K)

Вход

N – кол-во задержек входного сигнала, P – кол-во задержек выходного сигнала, k – число нейронов в скрытом слое.

Фукнции активации сигмоиды

Взвешенная сумма i-го нейрона

– вых. ф-ия i-го нейрона, зависит от выбр. ф-ии активации

g – взвеш. сумма сигналов. Взв. сумма на вх. вых. нейрона.

Схема идентификации динамического объекта

М – модуль(коэф. усиления), решающий задачу масштабирования.

40).Гибридные нейронные сети. Нейросетевые элементы нечетких систем.

Гибридные нейронные сети – это сети, реализующие процедуры и правила нечетких множеств и нечеткой логики.

Пусть

Структура нейронной сети:

График функции принадлежности:

f-сигноиды, S – маленький, M-средний, L-большой

Нейросетевая реализация нечетких отношений

Если имеется 2 нечетких множества X и Y, R, , то говорим, что.

R – нечеткое отношение, которое делает отношение между X и Y. У нас должна быть мера и .

- правило композиционного выбора.