Poznawanie wÅasnoÅci sieci neuronowych w Årodowisku MATLAB
Poznawanie wÅasnoÅci sieci neuronowych w Årodowisku MATLAB
Poznawanie wÅasnoÅci sieci neuronowych w Årodowisku MATLAB
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
26 Rozdział 3. Sieci dwuwarstwowe MLP<br />
x0 1<br />
x 1<br />
x 2<br />
<br />
x S<br />
w k ,1<br />
w k ,2<br />
<br />
w kS ,<br />
w k ,0<br />
Rysunek 3.1. Pełny model pojedynczego neuronu – z wejściem progowym (tzw. biasem)<br />
uk<br />
yk<br />
zawsze wartość -1, do którego prowadzi waga neuronu o indeksie 0. Waga ta<br />
jest odpowiednikiem progu aktywacji neuronu biologicznego – po przekroczeniu<br />
przez ważone sygnały wejściowe tej granicy, neuron wysyła sygnał do dalszych<br />
neuronów, w przeciwnym razie pozostaje w spoczynku. W modelu matematycznym<br />
znaczenia progu można się dopatrywać albo w przesunięciu funkcji aktywacji<br />
wzdłuż osi x, albo w możliwości przesuwania granic decyzyjnych neuronu, co zostanie<br />
pokazane później.<br />
Wszystkie neurony w obu warstwach <strong>sieci</strong> posiadają wejścia progowe. Istnienie<br />
biasu jest „wewnętrzną sprawą” każdego neuronu – wejścia o indeksach zerowych<br />
są niewidoczne dla użytkownika <strong>sieci</strong>. Funkcje symulujące działanie <strong>sieci</strong> będą<br />
same musiały zadbać o rozszerzenie wektora wejściowego o dodatkowe wejście,<br />
zaś macierze wag będą musiały zostać uzupełnione o dodatkowy wiersz. Próg<br />
neuronu, podobnie jak wagi, podlega uczeniu. Włączenie go do wektora wag jest<br />
zabiegiem czysto matematycznym, w naszym przypadku ułatwiającym operacje<br />
macierzowe. Nie zawsze jednak jest on stosowany. Na przykład <strong>sieci</strong> neuronowe zaimplementowane<br />
w pakiecie <strong>MATLAB</strong> Neural Network Toolbox korzystają z osobnych<br />
macierzy wag i wektorów wejść progowych (biasów).<br />
x <br />
x 1<br />
x 2<br />
<br />
x S<br />
0<br />
1<br />
1<br />
w k ,0<br />
1<br />
w k ,2<br />
1<br />
w k ,1<br />
1<br />
w k , S<br />
<br />
<br />
<br />
1<br />
y 1<br />
1<br />
y k<br />
1<br />
y K 1<br />
Rysunek 3.2. Pierwsza warstwa <strong>sieci</strong> dwuwarstwowej<br />
Pierwszą warstwę <strong>sieci</strong> przedstawia rys. 3.2. Wszystkie wielkości odnoszące się<br />
do neuronów warstwy pierwszej będziemy teraz oznaczać indeksem górnym (1).<br />
Wektor sygnałów wejściowych dla całej <strong>sieci</strong>, zawierający wektor cech opisują-