The behaviour of an ANN (Artificial

The behaviour of an ANN (Artificial Neural Network) depends on both the weights and the input-output function (transfer function) that is specified for the units. This function typically falls into one of three categories:

linear (or ramp)

threshold

sigmoid

For linear units, the output activity is proportional to the total weighted output.

For threshold units, the output is set at one of two levels, depending on whether the total input is greater than or less than some threshold value.

For sigmoid units, the output varies continuously but not linearly as the input changes. Sigmoid units bear a greater resemblance to real neurones than do linear or threshold units, but all three must be considered rough approximations.

To make a neural network that performs some specific task, we must choose how the units are connected to one another (see figure 4.1), and we must set the weights on the connections appropriately. The connections determine whether it is possible for one unit to influence another. The weights specify the strength of the influence.

We can teach a three-layer network to perform a particular task by using the following procedure:

We present the network with training examples, which consist of a pattern of activities for the input units together with the desired pattern of activities for the output units.
We determine how closely the actual output of the network matches the desired output.
We change the weight of each connection so that the network produces a better approximation of the desired output.
5.2 An Example to illustrate the above teaching procedure:

ผลลัพธ์ (ไทย) 1:

The behaviour of an ANN (Artificial Neural Network) depends on both the weights and the input-output function (transfer function) that is specified for the units. This function typically falls into one of three categories: linear (or ramp) threshold sigmoidFor linear units, the output activity is proportional to the total weighted output.For threshold units, the output is set at one of two levels, depending on whether the total input is greater than or less than some threshold value.For sigmoid units, the output varies continuously but not linearly as the input changes. Sigmoid units bear a greater resemblance to real neurones than do linear or threshold units, but all three must be considered rough approximations.To make a neural network that performs some specific task, we must choose how the units are connected to one another (see figure 4.1), and we must set the weights on the connections appropriately. The connections determine whether it is possible for one unit to influence another. The weights specify the strength of the influence.We can teach a three-layer network to perform a particular task by using the following procedure:We present the network with training examples, which consist of a pattern of activities for the input units together with the desired pattern of activities for the output units.We determine how closely the actual output of the network matches the desired output.เราเปลี่ยนแปลงน้ำหนักของแต่ละการเชื่อมต่อนั้นประมาณที่ดีของผลผลิตต้องสร้างเครือข่าย5.2 ตัวอย่างการแสดงขั้นตอนการสอนข้างต้น:

ผลลัพธ์ (ไทย) 2:

ลักษณะการทำงานของแอน (Artificial Neural Network) ขึ้นอยู่กับทั้งน้ำหนักและฟังก์ชั่นนำเข้าส่งออก (ฟังก์ชั่นการถ่ายโอน) ที่ระบุสำหรับหน่วย ฟังก์ชั่นนี้มักจะตกอยู่ในหนึ่งในสามประเภท: เชิงเส้น (หรือทางลาด) เกณฑ์sigmoid สำหรับหน่วยเชิงเส้นและการจัดกิจกรรมการส่งออกเป็นสัดส่วนการส่งออกรวมถ่วงน้ำหนัก. สำหรับหน่วยเกณฑ์เอาท์พุทเป็นชุดที่หนึ่งในสองระดับขึ้นอยู่กับว่า ใส่รวมมากกว่าหรือน้อยกว่าค่าเกณฑ์บาง. สำหรับหน่วย sigmoid ผลผลิตแตกต่างกันไปอย่างต่อเนื่อง แต่ไม่เป็นเส้นตรงเป็นการเปลี่ยนแปลงการป้อนข้อมูล หน่วย sigmoid แบกความคล้ายคลึงมากขึ้นเพื่อ neurones จริงกว่าหน่วยเชิงเส้นหรือเกณฑ์ แต่ทั้งสามจะต้องได้รับการพิจารณาประมาณหยาบ. เพื่อให้เครือข่ายประสาทที่ดำเนินงานเฉพาะบางอย่างที่เราจะต้องเลือกวิธีการที่หน่วยงานที่มีการเชื่อมต่อกับอีกคนหนึ่ง (ดูรูปที่ 4.1) และเราต้องตั้งค่าน้ำหนักในการเชื่อมต่ออย่างเหมาะสม การเชื่อมต่อการตรวจสอบว่าเป็นไปได้สำหรับหน่วยหนึ่งที่มีอิทธิพลต่ออีก ระบุน้ำหนักความแข็งแรงของอิทธิพล. เราสามารถสอนเครือข่ายสามชั้นในการดำเนินงานโดยเฉพาะโดยใช้ขั้นตอนต่อไปนี้: เรานำเสนอเครือข่ายที่มีตัวอย่างการฝึกอบรมซึ่งประกอบด้วยรูปแบบของกิจกรรมสำหรับหน่วยป้อนข้อมูลร่วมกับ รูปแบบของกิจกรรมที่ต้องการสำหรับหน่วยการส่งออก. เรากำหนดวิธีการอย่างใกล้ชิดการส่งออกที่เกิดขึ้นจริงของเครือข่ายที่ตรงกับผลลัพธ์ที่ต้องการ. เราเปลี่ยนน้ำหนักของแต่ละการเชื่อมต่อเพื่อให้เครือข่ายการผลิตประมาณที่ดีขึ้นของการส่งออกที่ต้องการ. 5.2 ตัวอย่างแสดงให้เห็นถึง ดังกล่าวข้างต้นขั้นตอนการเรียนการสอน:

ผลลัพธ์ (ไทย) 3:

พฤติกรรมของแอน ( โครงข่ายประสาทเทียม ) ขึ้นอยู่กับทั้งน้ำหนักและฟังก์ชัน ( ฟังก์ชันถ่ายโอนปัจจัยการผลิต ) ที่ระบุไว้สำหรับหน่วย ฟังก์ชันนี้มักจะตกอยู่ในหนึ่งในสามประเภท :

เส้น ( หรือทางลาด )





สำหรับค่าแบบเชิงเส้น หน่วย ผลผลิต กิจกรรม คือ สัดส่วนของผลผลิตมวลรวม

สำหรับหน่วยธรณีประตูผลผลิตคือชุดที่หนึ่งในสองระดับ ขึ้นอยู่กับว่าข้อมูลทั้งหมดมากกว่าหรือน้อยกว่าบางเกณฑ์ค่า

สำหรับหน่วยแบบ ผลผลิตแตกต่างกันไปอย่างต่อเนื่อง แต่ไม่นำเป็นสัญญาณการเปลี่ยนแปลง หน่วยแบบหมีมากกว่าคล้ายคลึงเซลล์จริงมากกว่าหน่วยเชิงเส้นหรือขีด แต่ทั้งสามที่ต้องพิจารณาการประมาณคร่าวๆ

เพื่อให้เครือข่ายประสาทที่ทำหน้าที่เฉพาะบางงาน เราต้องเลือกวิธีการหน่วยเชื่อมต่อกับอีกแบบหนึ่ง ( ดูรูปที่ 4.1 ) และเราต้องวางน้ำหนักบนการเชื่อมต่อที่เหมาะสม การเชื่อมโยงตรวจสอบว่าเป็นไปได้สำหรับหนึ่งหน่วยจะมีอิทธิพลต่อคนอื่น น้ำหนักระบุความแรงของอิทธิพล .

เราสามารถสอนสามชั้นเครือข่ายเพื่อดำเนินการงานที่เฉพาะเจาะจง โดยใช้ขั้นตอนต่อไปนี้ :

เราปัจจุบันเครือข่ายที่มีตัวอย่างการฝึกอบรมซึ่งประกอบด้วยรูปแบบของกิจกรรมสำหรับใส่หน่วยพร้อมกับรูปแบบที่ต้องการกิจกรรมออกหน่วย เราตรวจสอบวิธีการอย่างใกล้ชิด
ผลผลิตที่แท้จริงของเครือข่ายที่ตรงกับที่ต้องการ
ผลเราเปลี่ยนน้ำหนักของแต่ละการเชื่อมต่อเพื่อให้เครือข่ายผลิตประมาณที่ดีขึ้นของผลลัพธ์ที่ต้องการ .
5.2 ตัวอย่างเพื่อแสดงให้เห็นถึงกระบวนการเรียนการสอนข้างต้น :