Академический Документы
Профессиональный Документы
Культура Документы
проблемам классификации
Оливье Буске
olivier.bousquet@m4x.org
3. Предлагаемая модель
3.1 Случай одной переменной:
1)
где
2)
3)
На рисунке, как и в случае с краем EPSP, красная линия указывает на
пошаговую функцию, а желто-зеленая линия указывает на пошаговую
функцию на отрицательной стороне после обработки.
Узел управления на фиг.2 разделен на две части, переднюю часть и
заднюю часть, и в передней части рассчитывается следующее.
4)
5)
Опять же, основная идея такая же, как и для одной переменной. Случай
двух переменных показан на фиг.7. Входными узлами являются X₁. Xı2ı и
F(X₁, Xı 2ı). Узел X₁, узел Xı2ı и арифметический узел соединены двумя
линиями края EPSP и края IPSP соответственно, как и в случае одной
переменной. Обработка на каждом узле и краю кратко описана ниже:
6)
7)
3) Обработка ψ
8)
4) Обработка:φ
9)
[ШАГ -5] В [ШАГ-4], если (X₁, XΤ 2Τ , X3Τ ..... X MΤ ) принадлежит к одной группе,
выходное значение этой группы используется в качестве выходных
сигналов TEST. С другой стороны, если позиции сигналов Учения плотные
и большие, сигналы TEST могут принадлежать к нескольким группам, как
показано на фиг.9. Фиг.9 (а) показывает, что сигналы TEST принадлежат к
четырем группам, когда они принадлежат к нескольким группам с
одинаковым выходом, и b) показывают, что они принадлежат к группам с
разными выходами, одной группе для выхода A и трем группам для
выхода B. В предлагаемом алгоритме рассмотрим случай, когда на выходе
перекрываются группы A и B, как показано на рис. 9b). Ожидаемое
выходное значение, например 0–9 для числового распознавания,
подсчитывает количество групп, принадлежащих каждой из них. Выход
группы с наибольшим количеством P(k) (k: выходное значение)
используется в качестве конечного выхода сигналов TEST. Δ
[ШАГ-6] В процессах [ШАГ-1] - [ШАГ-5], как показано зеленым
треугольником на фиг.5 с), некоторые данные не принадлежат ни к одной
из групп, определенных из группы данных I. В этом случае выходные
данные должны содержать значения, отличные от тех, которые требуется
классифицировать. Кроме того, мы добавляем этот случай в качестве
новой группы как «переучивание» результата.
[ШАГ-7] На вышеуказанных этапах [ШАГ-1] - [ШАГ-6] значение , для каждой
переменной оптимизировано для максимизации точности
прогнозирования выходных сигналов TEST. Метод оптимизации подробно
описан в следующей главе. Δ j
[ШАГ-8] Кроме того, группы данных I и II, определенные в [ШАГ-2],
заменяются, а значение оптимизируется в [ШАГ-1]-[ШАГ-7] выше, с
группой данных II в качестве сигналов Обучения и группой данных I в
качестве сигналов TEST. Δ j
[ШАГ-9] Сравните , предсказанное из группы данных-I→ группа данных-II с
предсказанным из группы данных -I→ группа данных-II, и используйте
большую группу в качестве окончательной . Δ j Δ j Δ j
[ШАГ-10] В приведенном выше потоке все сигналы Учения разделены на
новые Обучающие и ТЕСТовые сигналы для оптимизации, поэтому в
данном ШАГЕ предсказание основывается на отдельно подготовленных
ТЕСТ-сигналах. Поскольку оптимизация уже определена, вышеуказанные
шаги [ШАГ-1]-[ШАГ-6] просто применяются к сигналам TEST. Δ j Δ j
Это алгоритм предлагаемой модели. Общий поток алгоритма показан на
фиг.10.
10)
где n — число переменных, а K — общее число вычислений Монте-Карло.
Метод Монте-Карло генерирует случайные числа, соответствующие
каждой переменной даже в функции многомерности, подставляет их в
целевую функцию, складывает и делит на число случайных чисел для
получения значения численного интегрирования.
Таким образом, метод оптимизации, основанный на методе Монте-Карло,
может быть применен к целевой функции, состоящей из нескольких
переменных. Однако в случае многомерности, когда каждая делится сразу
на две, количество делений области становится 2. Например, когда n
равно 100, число делений равно 1,26 . И, реальный расчет становится
затруднительным, когда число n переменной увеличивается, потому что
интеграция повторяется 20 раз, необходимых для схода решения, и в
результате она интегрирует 2" × 20 раз в общей сложности. Чтобы решить
эту проблему, мы сначала разделим только переменную x❑n❑ ×10 301 на две
и зафиксируем область других переменных. Значение интеграции
вычисляется методом Монте-Карло, и выбирается область, в которой
значение интеграции невелико.
6. Выводы
Мы сосредоточились на действии нейронов, особенно возбуждающих
синапсов и тормозных синапсов, и предложили новый подход к проблеме
классификации: SING. Основные особенности и алгоритмы заключаются в
следующем.
1) Переменная: x отправляется на операционный узел через край EPSP и
край IPSP для генерации импульса шириной 2 и высотой 1,0 Умножьте на
вход F(x) для генерации импульсов F(x) шириной 2 и высотой. Область с
этой информацией называется группой. N групп определяются путем
обработки только N Обучающих сигналов.ı Δ ıı Δ
2) Сравните сигналы TEST с группой, полученной в 1), и используйте высоту
импульса группы, к которой он принадлежит, в качестве выхода сигналов
TEST.
3) Основываясь на этой концепции, оптимизирован таким образом, чтобы
максимизировать точность, чтобы прогнозируемое значение сигналов
TEST соответствовало истинному выходу. Δ
Этот метод был применен к проблемам классификации радужной
оболочки глаза, подержанных автомобилей и морского ушка. Было
подтверждено, что показатель точности составлял 85-100%, что было
выше, чем у обычной нейронной сети. Предложенный метод считается
уникальным и не относится ни к одному из общепринятых алгоритмов
классификационных задач. Хорошо известно, что когда сигнал Обучения
смещен к конкретным данным, на него сильно влияют данные со многими
результатами обучения обычных нейронных сетей. Однако в
предложенном алгоритме веса полученных групп одинаковы, и на него не
влияет объем данных.
В дополнение к настоящей проверке мы планируем продолжить проверку
распознавания образов, применив его к данным изображений и т. Д., И
изучить метод расширения, отличный от проблемы классификации.