Plan wykładu. Sztuczne sieci neuronowe. Sie Hopfielda. Sieci Hopfielda w praktyce. Wykład 9: Sieci rekurencyjne. Sieci rekurencyjne:

Podobne dokumenty
FUNKCJE DWÓCH ZMIENNYCH

Podprzestrzenie macierzowe

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń

Portfel złożony z wielu papierów wartościowych

Plan wykładu. Sztuczne sieci neuronowe. Gaz neuronowy (ang. Neural Gas - NG) NG - zasada działania. Gaz neuronowy. Rosncy gaz neuronowy

aij - wygrana gracza I bij - wygrana gracza II

Projekt 2 2. Wielomiany interpolujące

Zaawansowane metody numeryczne

Gra ekonomiczna symulujca sterowanie gospodark narodow implementowana za pomoc systemu komputerowego wykorzystujcego sztuczn sie neuronow.

Plan wykładu. Sztuczne sieci neuronowe. Sieci rekurencyjne. Sieci rekurencyjne. Wykład 8: Sieci rekurencyjne: sie Hopfielda. Sieci rekurencyjne

METODY KOMPUTEROWE 1

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

ZAGADNIENIE TRANSPORTOWE

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.

SZTUCZNA INTELIGENCJA

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Miary statystyczne. Katowice 2014

Józef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta

ZESTAW ZADAŃ Z INFORMATYKI

WYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

Laboratorium Metod Statystycznych ĆWICZENIE 2 WERYFIKACJA HIPOTEZ I ANALIZA WARIANCJI

Prawdopodobieństwo i statystyka r.

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

termodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi

MODEL SHARP A - MIARY WRAŻLIWOŚCI

1. Relacja preferencji

Linie regresji II-go rodzaju

Prawdopodobieństwo i statystyka r.

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

Materiały do wykładu 7 ze Statystyki

Wnioskowanie statystyczne dla korelacji i regresji.

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Statystyka Opisowa Wzory

x 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Przykładowe zadania dla poziomu rozszerzonego

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe.

Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

Opracowanie wyników pomiarów

. Wtedy E V U jest równa

Analiza Matematyczna Ćwiczenia. J. de Lucas


BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE

Kodowanie rónicowe. Plan 1. Zasada 2. Podstawowy algorytm 3. Kodowanie adaptacyjne 4. Zastosowania

Lista 6. Kamil Matuszewski 26 listopada 2015

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz

Zmiana bazy i macierz przejścia

ANALIZA INPUT - OUTPUT

JEDNOWYMIAROWA ZMIENNA LOSOWA

RACHUNEK NIEPEWNOŚCI POMIARU

ma rozkład normalny z nieznaną wartością oczekiwaną m

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

Analiza Matematyczna I.1

Podstawy teorii falek (Wavelets)

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Plan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

Statystyka. Katarzyna Chudy Laskowska

Wykład Analiza jakościowa równań różniczkowych

11/22/2014 STRATEGIE MIESZANE - MOTYWACJA. ROZWAśMY PRZYKŁAD:

A B - zawieranie słabe

Wytrzymałość materiałów

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

m) (2.2) p) (2.3) r) (2.4)

06 Model planowania sieci dostaw 1Po_1Pr_KT+KM

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;

MACIERZE STOCHASTYCZNE

dr Michał Konopczyński Ekonomia matematyczna ćwiczenia

Programowanie nieliniowe optymalizacja funkcji wielu zmiennych

; -1 x 1 spełnia powyższe warunki. Ale

Równania różniczkowe cząstkowe

wiedzy Sieci neuronowe (c.d.)

ZASTOSOWANIE PODEJ CIA WEKTOROWEGO DO ZADA PROGNOZOWANIA

Rachunek różniczkowy funkcji wielu zmiennych

Powinowactwo chemiczne Definicja oraz sens potencjału chemicznego, aktywność Termodynamiczne funkcje mieszania

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Wektory. P. F. Góra. rok akademicki

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

Wykład FIZYKA I. 9. Ruch drgający swobodny

PERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

Sieci rekurencyjne. Jacek Bartman

System finansowy gospodarki

Współczynnik korelacji rangowej badanie zależności między preferencjami

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej

MODELE OBIEKTÓW W 3-D3 część

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

STATYSTYKA MATEMATYCZNA

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych

RACHUNEK NIEPEWNOŚCI POMIARU

Matematyczny opis ryzyka

Minimalizacja kosztu mieszanek komponentów dostępnych w opakowaniach o ustalonych pojemnościach (ERRATA)

WYZNACZANIE MEDIANY LITVAKA W PRZYPADKU WYST POWANIA OBIEKTÓW RÓWNOWA NYCH W OCENIE GRUPOWEJ

Transkrypt:

Pla wkładu Sec rekurece: Wkład 9: Sec rekurece Se Hammga Se tpu BAM Se RRN Se Elmaa Małgorzata Krtowska Katedra Oprogramowaa e-mal: mmac@.pb.balstok.pl Se Hopfelda Włacwoc: weca to wca ch euroów brak własego sprzea zwrotego smetrcze wag (W W rb prac uczea odtwarzaa pam asocaca Sec Hopfelda w praktce Fukca eerg zadaa optmalzac 3 4

Se Hammga Se Hammga Rozwce sec Hopfelda Struktura trówarstwowa: warstwa perwsza: edokerukowa z przepłwem sgałów od weca do wca warstwa druga: MAXNE - euro połczoe sprzeem zwrotm kad z kadm ISNIEJE NIEZEROWE SPRZENIE NEURONU Z WŁASNYM WYJCIEM wag eurou w warstwe MAXNE s stałe warstwa trzeca: edokerukowa Zasada dzałaa ako asfkatora wektorowego: mmalzaca odległoc Hammga wektora testowego podaego a wece sec od wektorów reprezetucch wzorce uczce, zakodowae w strukturze sec Reprezetue pam heteroasocac: pamta par (,, prz czm est wektorem wecowm, a - wektorem wcowm [- - - ] [ - - ] 5 6 Pam heteroasocaca Heteroasoscaca - se zapamtue koarz par obrazów awet zekształco obraz wecow moe wwoła włacw heteroasocac a wcu (heteroasocaca obemue problem asfkac Se Hammga - zasada dzałaa zbór dach uczcch ( (, (,,,..,p; M - wzorców wcowch warstwa I: 3 p euro warstw I okrela odległo Hammga pomdz podam wektorem wecowm a kadm z p zakodowach wzorców (. MAXNE: 3 p euro w warstwe MAXNE wkrwa wektor o amesze odległoc Hammga, ustalac as, do które ale wektor wecow ( warstwa III: 3 M euro warstw wcowe odtwarza wektor stowarzszo z dam wektorem wecowm 7 8

Se Hammga -calzaca wag zbór dach uczcch ( (, (,,,..,p; M - wzorców wcowch N ( ( ( w w w N w,,,..., p warstwa I: p ε ε ε ε ( m MAXNE: w ε (; p p ( w w w ε ε M warstwa III: ( ( M w,,,..., M 9 Se Hammga - dzałae wartoc sgałów we wszstkch wzłach układu s rówe, za wtkem wzłów wecowch, do którch został poda wektor testuc wartoc sgałów wecowch s dostarczae poprzez wag w ( do euroów warstw perwsze oblczace odległoc Hammga od odpowedch wektorów wzorcowch (,,,..,p. wartoc sgałów wcowch euroów warstw I s wlczae ako: ˆ w ( + d H ( (, gdze d H ( (, - odległo Hammga mdz wektorem a (, czl lczb btów, o które ró s oba wektor. ˆ (; ( ( w p. p. Se Hammga - dzałae ŷ po okreleu wartoc wektor wecow zostae usut z weca sec, a sta euroów ŷ sta s staam pocztkowm ( euroów warstw MAXNE Se Hammga - dzałae euro aktw stae s zwczc poprzez wag w ( euroów warstw wcowe odtworz wektor ( stowarzszo z wektor ( uzam przez MAXNE za ablsz wektorow wecowemu. Zadaem euroów warstw MAXNE est włoee zwczc, czl eurou, którego pobudzee est ablsze wartoc. Neuro tak wskazue a wektor wzorcow o amesze odległoc Hammga od wektora wecowego. Rekurec proces właaa zwczc: ( m ( k f w ( k f ( proces terac ko cz s gd sta euroów przestae ulega zmaom tlko ede euro est aktw dla dla < WNIOSKI: se Hammga dae lepsze rezultat se Hopfelda zalet sec Hammga est dua oszczdo połcze wagowch mdz euroam: p. dla sec o wecach koduce róch as wektorów, se Hopfelda wmaga połcze. Se Hammga ( wag w warstwe perwsze wag w MAXNE, warstwa wcowa e wstpue, poewa se Hopfelda est autoasocaca

Zbór uczc [,,,,-,-,,,] Przkład Elemet testow Se Hammga: 3 elemet w warstwe wecowe 3 euro w warstwe MAXNE ε. < / Przkład [-,,-,-,,-,-,,-] [,,,,,,,,] Dzałae: warstwa perwsza d H 6 4,777 ŷ,333,555 3 [,,, -,,-,-,,-],46 dla k3 ( 4 3 otrzmuem: Wosek: se stwerdzła amesz odległo Hammga obrazu testowego od 3 wzorca 4 Se tpu BAM (ag. Bdrectoal Assocatve Memor Cech charakterstcze: Uogólee sec Hopfelda a dwuwarstwow struktur rekurec Umolwa zakodowae zborów wektorów wzaeme stowarzszoch dwukerukow przepłw sgałów: od weca do wca z powrotem schrocz trb prac: w edm cu przepłw sgałów astpue w ed stro, okrelae s sta euroów odborczch, po czm w astpm cu euro te sta s ródłem wsłacm sgał w stro przecw c powtarza s, a do ustalea stau rówowag fukca aktwac euroów est tpu skokowego 5 Se tpu BAM - dzałae Zakładam, e wecowe dae uczce, s dae w postac m par bpolarch (,, - wmar wektora, m - wmar wektora RYB UCZENIA: Według Kosko, macerz wag est wzaczaa ze wzoru ( macerz korelac: RYB ODWARZANIA: w p zakładam, e sta pocztkow sec bł zada w postac par (,. proces dwukerukowego przetwarzaa sgałów: f( w -> f( w -> f( w -> f( w 3 ->... f( f w f ->f( f w f w wku procesu geerowae s dwe stable welkoc f f, staowce sta ustalo sec. 6

Se tpu BAM - dzałae Przkład dzałaa sec kademu puktow poredemu procesu ( k, k moa przporzdkowa fukc eergetcz E k zdefowa ako: E w k udowodoo, e kolea zmaa stau w procese eustalom powodue zmeszae s wartoc fukc eerg, a do osgca e mmum lokalego, w aszm przpadku: k czl kade e rozwzae odległe awet o w sese mar Hammga od ( f, f bdze s charakterzowało zwkszo wartoc eerg k E f w f m prz spełeu pewch dodatkowch waruków para ( f, f est edz par uczcch, abardze podob w sese mar Hammga do zadae par (, 7 Przkład dzałae sec BAM: a zapamtae asocace; b czter krok odtwarzaa par (a (4, b (4 (d H odpowedo ; 4;; 4 8 Poemo pamc BAM: p Se tpu BAM - poemo m(, m Lczba zbech procesów odcztu pamc BAM w zaleoc od zekształce wektorów wecowch dla róch lczb wektorów wzorcowch (5; m9 9 Modfkace sec BAM wkazao, e el eerga stowarzszoa z -t par uczc e tworz mmum lokalego to para uczca (, e moe b odtworzoa przez se awet wówczas, gd wartoc startowe s rówe (, BAM geerue złe wk, eel w procese uczea uczestcz par dach epodobe do sebe p. gd podobe wektor s stowarzszoe z epodobm wektoram, czl e est speło waruek: d H (, dh (, Modfkaca reguł Kosko umolwaca odtworzee wektorów (,, ezalee od tego cz tworz oe mmum: W p + ( q modfkaca ta est rówowaa zwelokroteu ((q- raz udzału par (, w procese uczea (dobór q est uczow. Modfkaca dotcz par e spełacch waruku mmum fukc eergetcze.

Modfkace sec BAM Se euroowa tpu RRN (ag. Real me Recurret Network se przetwarzaca sgał w czase rzeczwstm Lczba stablch wektorów zapamtach w pamc dwukerukowe w zaleoc od ch lczb: kodowae kowecoale; wektor upolare; kodowae welokrote; upolare; 3 kowecoale; bpolare; 4 welokrote; bpolare Cech charakterstcze: lczba euroów w sec m ( M euroów wcowch Km-M ukrtch kad euro tworz sprzee zwrote, prz czm sgał zwrote s opóoe o ede takt zegara N we zewtrzch Se RRN - zasada dzałaa Se RRN - algortm uczea Nech ( ozacza N-elemetow zewtrz wektor wmuszac poda w chwl, a (+ - odpowadac mu wektor sgałów wcowch wszstkch euroów w chwl (+ wektor ( opóo o ede c wektor ( tworz wektor wmuszac v( staowc pobudzee dla euroów v([ (,..., N (, (,..., m (] w chwl -t euro wtwarza sum wagow: w astpe chwl est oblcza sgał wcow eurou ako (+f(u ( f - fukca aktwac eurou ( z reguł sgmodala ZAŁOENIE: sta euroów zmea s w takt zegara est przesuce w faze mdz pobudzeem eurou a sgałem wcowm t. pobudzee ( e ma wpłwu a sta euroów a do chwl (+. u w v 3 algortm gradetow mmalzuc warto błdu kwadratowego mdz wartocam dam a wcu d ( a wartocam aktualm ( wgeerowam przez se. Błd chwlow celem uczea est tak dobór wag sec, któr zmmalzue warto fukc celu E t zdefowa ako suma błdów chwlowch po wszstkch chwlach E( M e d dla,,.., M e w p. p. t E E( 4

Se RRN - algortm uczea Rekureca se Elmaa Dla kade chwl (,,,.. ale okrel sta wszstkch m euroów. Na te podstawe moa wzacz wektor v( staowc pobudzee dla euroów w chwl. Wartoc pocztkowe wag przmue s losowo zakładac rozkład rówomer. Okrel wartoc R dla odpowedch wskaków k,l, gdze R (, B - zbór deksów, dla którch pobudzeem est sta poprzed, δ, gd k w p.p. Uaktualee wag odbwa s według zaleoc: M w ( + w + η e R powrót do pkt. dla astpe wartoc. R ( + f ' ( u w ( R + δ vl B 5 Se Elmaa: a posta ogóla; b układ połcze se czcowo rekureca o strukturze dwuwarstwowe sprzee zwrote dotcz tlko warstw ukrte euro warstw wcowe s połczoe tlko z euroam warstw ukrte (przepłw sgałów edokerukow kad euro ukrt ma swego odpowedka w tzw. warstwe kotekstowe 6 Se Elmaa - damka Ozaczac: - wektor wmuszac (R N v - sta euroów ukrtch (R k - sgał wcowe (R M ogóle rówae elowe sstemu moa przedstaw w postac: v( + f ( w ( vv v(, w ( prz czm f( - wektor fukc aktwac euroów, w ( - macerz wag warstw wcowe, w ( - macerze wag warstw ukrte skoarzoe odpowedo z wektoram v oraz. ( v ( ( + f ( w v( + Wkorzstae: w skomplkowach problemach ak przetwarzae szeregów czasowch, w tm dwków mow. 7