Академический Документы
Профессиональный Документы
Культура Документы
13.12.2019 2
Ососков Г. А. Машинное обучение
Как обучить МСП
y j f ( w h )
kj k
k Чтобы обучить МСП применяют метод обратного
X
распространения ошибки, когда минимизируют
y
Всего 15 весов по всем весам функцию ошибки сети (loss
hi=g(Σjwij sj)
function): E=ΣmΣij (yi (m) – zi (m) )2 → min{wij}
loss 𝝏𝑬
Т.о. надо решать систему из 15 уравнений =𝟎
𝝏𝒘𝒊𝒋
градиент с 15 неизвестными значениями весов wij wjk
для чего требуется дифференцируемость
активационной функции g(x), определяющей
выход каждого нейрона y g ( wij si ) Выбор
min{wij} сигмоидальной функции i
1
g ( x)
1 e x
обеспечивает к тому же простое выражение и
для ее производных,
входящих в формулы для процедуры антиградиентного спуска,
итеративной (по эпохам обучения) подстройки весов. Для весов
выходного слоя имеем wkj (t 1) ( y j z j ) g ( y j )hk, для скрытого слоя -
t t ' t t
Процедура гарантирует
конечность циклов
Обучения и 100%-но
правильную
классификацию на
обучающей выборке, но
требует слишком много
скрытых нейронов
14
13.12.2019 Ососков Г. А. Машинное обучение
2D клеточный автомат для генерации
случайных векторов
На решетке 32*100 строится 2D клеточный автомат, каждая ячейка которого
определяется по своим соседям по формуле: 32
(1)
100
Заметим: появление
единственной шумовой
привело бы к появлению ~80
дополнительных мешающих
нейронов
1 1
E 1
2 v v
m i j
1
2 m
( v r
i ij ) 2
ij rij ij rij
первый член второй член
сближает роторы по направлению выстраивает роторы вдоль трека
13.12.2019 22
Ососков Г. А. Машинное обучение
Наше развитие этой идеи для треков
в магнитном поле (эксперимент ARES)
cos 2 ij sin 2 ij
v j v j W ij v j
ij
sin 2 cos 2 ij
13.12.2019 23
Ососков Г. А. Машинное обучение
Пример применения модифицированных роторных
нейронов. Обработка ионограмм.
3D изображение
той же ионограммы
13.12.2019 24
Ососков Г. А. Машинное обучение
Этапы обработки ионограммы:
Результат распознавания
13.12.2019 25
Ососков Г. А. Машинное обучение
Эластичные нейронные сети Хопфилдова типа
Недостатки применения нейросетей:
• Слишком медленная сходимость из-за излишнего числа степеней свободы
• Решается только проблема распознавания без учета известной модели
трека
• Чрезмерная чувствительность к шумам
Идея: Объединить этапы распознавания и фитирования кривых,
максимально используя априорную информацию.
Как это сделать Зная уравнение трека, создать эластичный
шаблон и изгибать его (меняя параметры уравнения) так, чтобы он
прошел по «своим» измеренным точкам.
Вопросы:
1. неизвестно число шаблонов;
2. где взять начальные значения их параметров;
3. как организовать подгонку сразу всех кривых (треков);
4. где тут нейронная сеть?
13.12.2019 26
Ососков Г. А. Машинное обучение
1-2. Число шаблонов и начальные значения параметров
Для нахождения шаблонов (templates) и грубых значаний их параметров
применяется преобразование Хафа – гистограммирование в пространстве
параметров с последующим поиском максимума гистограммы
Соответствие
точка - линия
x=x0+tx z
x0=x-tx z
13.12.2019 27
Ососков Г. А. Машинное обучение
3-4. Введение нейронов, определяющих принадлежность
Пример: пространственный трек в магнитном поле – винтовая линия
13.12.2019 28
Ососков Г. А. Машинное обучение
Эластичные нейросети (продолжение)
Применение эластичных ИНС
для поиска черенковских колец
и распознавания треков
Ограничение на одновременный
поиск - не более 13 объектов