Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
FEI TU v Košiciach Diplomová práca List č. 21<br />
4. Pre váhy iných ako výstupných neurónov vypočítam zmenu δ.<br />
5. Pomocou vypočítaných hodnôt δ a parametrov učenia realizujem zmenu<br />
váh synapsií každého neurónu.<br />
6. Postup opakujem <strong>pre</strong> ďalšie vstupné vektory.<br />
7. Vypočítam dosiahnutú chybu na vstupných vektoroch z trénovacej mno-<br />
žiny.<br />
8. Ak som dosiahol požadovanú chybu, tak výpočet končím, v opačnom<br />
prípade celý výpočet opakujem.<br />
Zvolíme si aktivačnú funkciu neurónu takto:<br />
fakt(x)=<br />
1<br />
1+e −x<br />
(10)<br />
Priebeh tejto aktivačnej funkcie je zobrazený na obrázku 11 a označuje sa<br />
’sigmoida’. V prvom kroku metódy spätného šírenia chyby sa používa táto<br />
aktivačná funkcia <strong>pre</strong> dosiahnutie nelinearity medzi vstupom a výstupom.<br />
Vstupná funkcia nech je definovaná takto:<br />
N<br />
xj= ini ∗ wij+ φj<br />
i=1<br />
(11)<br />
teda vstupy do neurónu sú <strong>pre</strong>násobené hodnotami váh synapsií, ktorými<br />
vstupný signál vstupuje do neurónu, tieto hodnoty sú následne sčítané a je<br />
prirátaný prah φj. Pre zjednodušenie majú všetky (okrem vstupných) ne-<br />
uróny prah φj= −1, teda by sa dalo napísať, že <strong>pre</strong> všetky neuróny, ktoré<br />
nie sú vstupné, platí:<br />
N<br />
xj= ini ∗ wij −1 (12)<br />
i=1