- Tytuł:
-
Porównanie charakterystyk wydajnościowych algorytmu uczenia dla Standardowej Sieci Neuronowej oraz sieci zdekomponowanej i koordynowanej metodą prognozowania wartości interfejsów
A comparison of the performance characteristics of a teaching algorithm for a Standard Neural Network and a decomposed network coordinated by the interface forecasting method - Autorzy:
- Płaczek, S.
- Powiązania:
- https://bibliotekanauki.pl/articles/376307.pdf
- Data publikacji:
- 2018
- Wydawca:
- Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
- Tematy:
-
sieć dwupoziomowa
dekompozycja
koordynacja
algorytm uczenia - Opis:
-
Standardową Sieć Neuronową zdefiniujemy jako zintegrowany moduł składający się
z wielu warstw, bez wewnętrznych sprzężeń zwrotnych i pełnym pokryciem wag
w poszczególnych warstwach. Warstwa składa się z macierzy wag łączących wektor
wejściowy X z wewnętrznym wektorem U, który z kolei przetwarzany jest przez funkcję
aktywacji tworząc wektor wyjściowy Y. Algorytmy uczenia tak zdefiniowanej sieci
są znane. Napotykają one jednak na określone problemy numeryczne związane z szybkością
zbieżności do wartości minimum. W artykule proponuje się zastąpienie jedno
poziomowej, wielowarstwowej sieci, siecią zdekomponowaną. Konfiguracja składa się
z niezależnych modułów zawierających warstwy sieci pierwotnej oraz koordynatora.
Koordynator koncepcyjnie znajduje się na drugim poziomie, Jego celem jest skoordynowanie
lokalnych funkcji celu warstw w taki sposób, aby realizując swoje lokalne
funkcje celu , zostało jednocześnie osiągnięte minimum globalnej funkcji celu. Sieć jako
całość będzie przygotowana do realizacji zadań klasyfikacji. Porównuje się charakterystyki
uczenia dwóch przedstawionych konfiguracji sieci.
A Standard Neural Network is defined as an integrated module of a set of layers with both forward and full weight coefficient connections in all layers. Every layer is built by the matrix of the weight coefficients connecting an input vector X with an internal vector U, which, in the next step, is the input of the activation function, and the output vector Y is calculated. For these kinds of neural networks, the teaching algorithms are well known. Unfortunately, in an algorithm practice realization, a lot of numeric problems appear to achieve fast convergence. A lot of components have negative impacts on the entire calculation process. In the article, a decomposed network replaces a level in a multilayer network. A network is built by independent layers in the first level and the coordinator in the second. Layers have to solve their local optimization task using their own algorithms. Local solutions are coordinated by the coordinator. The coordinator, working together with the first level, is responsible for solving the global optimization task, which is laid outside the network. Finally, a network is ready to classify new input data. In the article, quality and quantity characteristics for these two networks are compared. - Źródło:
-
Poznan University of Technology Academic Journals. Electrical Engineering; 2018, 96; 59-70
1897-0737 - Pojawia się w:
- Poznan University of Technology Academic Journals. Electrical Engineering
- Dostawca treści:
- Biblioteka Nauki
Artykuł