Новые интеллектуальные материалы и конструкции. Свойства и применение

Внимание! эта страница распознана автоматически, поэтому мы не гарантируем, что она не содержит ошибок. Для того, чтобы увидеть оригинал, Вам необходимо скачать книгу Новые интеллектуальные материалы и конструкции. Свойства и применение

Если Вы являетесь автором данной книги и её распространение ущемляет Ваши авторские права или если Вы хотите внести изменения в данный документ или опубликовать новую книгу свяжитесь с нами по по .

Страницы: 1 2 3... 86 87 88 89 90 91 92... 220 221 222

	 Многослойная нейронная сеть где п(0 — количество узлов на уровне вывода. / является неявной фун­кцией параметров 0,, 02, 0п, где 0( - вес соединений, упорядоченных некоторым способом. Целое число / описывает номер теста. После вве­дения тестирующей последовательности стандартный алгоритм состоит в регулировании параметров: (А.З) где V - оператор градиента. Параметр ц называют коэффициентом тре­нировки. В работе [39] приведено следующее выражение для пересчета весов в процессе тестирования: (А.4) где 8/т) — величина ошибки на выходе /-й точки на уровне т. Эта по­грешность априорно не известна, но ее можно вычислить исходя из из­вестных погрешностей = ух-ух на уровне выхода. Исходя из этих ошибок должны регулироваться весовые коэффициенты, перемещаясь от уровня вывода в обратном направлении. Если коэффициент тренировки ц слишком мал, сходимость к пра­вильным параметрам может быть слишком медленной. Если он слиш­ком велик, настройка будет быстрой, но веса могут колебаться или даже расходиться. Один из способов решения этой проблемы состоит во вве­дении коэффициента инерции, в результате чего предыдущие весовые коэффициенты изменяются не слишком быстро: (А.5) где а - коэффициент инерции. Его роль состоит в уменьшении амплитуды высокочастотных колебаний в процессе регулировки весовых параметров. Как только погрешность уменьшается до приемлемого уровня, про­цесс тестирования заканчивается, и сеть считают установленной. Для процедуры тренировки использовался пакет программ MLP [40]. Литература 1. Klein, L. А. (1999) Sensor and Data Fusion: Concepts and Application, SPIE Press. 2. Esteban, J. and Starr, A G. (1999) «Building a Data Fusion Model» Proc. Int. Conf. on Data Fusion - EuroFusion 99, Stratford-upon-Avon, UK, pp. 187-196. 3. Bedworth, M. and O'Brien, J. (1999) «The Omnibus Model: A New Model of Data Fusion» (preprint). 4. Sandell, N. R., Lauer, L. C. and Kramer, L. C. (1980) «Research Issues in Surveillance for C3» Proc. 19th IEEE Conf. on Decision and Control, pp. 201-213. 5. Athans, M. (1980) «System Theoretic Challenges and Research Opportunities in Military C3 Systems* Proc. 19h IEEE Conf. on Decision and Control, pp. 12-16. 6. White, F. E. Jr. (1990) Technical Proceedings of the Joint Service Data Fusion Symposium, I-DFS-90, Joint Directors of Laboratories Data Fusion Subpanel report: SIGINT session, pp. 469-484. rss Карта

Внимание! эта страница распознана автоматически, поэтому мы не гарантируем, что она не содержит ошибок. Для того, чтобы увидеть оригинал, Вам необходимо скачать книгу