Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Predspracovanie obrazu pre optické rozpoznávanie ... - TUKE
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
FEI TU v Košiciach Diplomová práca List č. 23<br />
fder(x)=<br />
e −x<br />
1+2e −x + e −2x<br />
Teraz môžeme vypočítať gradient úmerný zmene konkrétnej váhy, a to:<br />
(15)<br />
δj= fder(xj).ej= fder(xj).(pj − yj) (16)<br />
Pre učenie máme zvolený parameter γ, ktorý určuje rýchlosť učenia, ale tiež<br />
<strong>pre</strong>snosť zmien váh. Pre začiatok učenia je vhodné, aby bol parameter γ<br />
väčší a teda neurónová sieť rýchlejšie konvergovala k správnym váham, ale po<br />
určitom počte krokov učenia je potrebné tento parameter zmenšiť, <strong>pre</strong>tože sa<br />
stav siete nachádza blízko globálneho (alebo lokálneho) minima a je potrebné<br />
k nemu čo najbližšie dokonvergovať. Štandartne používam parameter γ rovný<br />
0.2 na začiatku.<br />
Zmenu váhy synapsie v neurónovej sieti je definovaná takto:<br />
∆wj= γ.δj.xj<br />
Pre výpočet novej váhy použijem už len jednoduchý vzťah:<br />
wj= wj+∆wj<br />
(17)<br />
(18)<br />
Rozšíril som štandartné spätné šírenia chyby o jednoduché pravidlo, ktoré<br />
zmenší parameter γ na polovicu vždy, ak po 200 krokoch učenia nedošlo ku<br />
poklesu chyby. Takýto doplnok umožnuje automatické učenie sa siete bez<br />
zásahu užívateľa.