Изкуствени невронни мрежи - Revision history

Anko: /* Основни елементи на невронните мрежи */

2013-01-11T13:22:22Z

Основни елементи на невронните мрежи

Anko: /* Неврони */

2013-01-11T13:22:04Z

Неврони

Anko: /* Неврони */

2013-01-11T13:21:29Z

Неврони

Anko: /* Неврони */

2013-01-11T13:20:44Z

Неврони

Anko: /* Неврони */

2013-01-11T13:18:22Z

Неврони

Anko: /* Неврони */

2013-01-11T13:14:03Z

Неврони

Anko: /* Неврони */

2013-01-11T13:09:40Z

Неврони

Anko: /* Неврони */

2013-01-11T13:07:56Z

Неврони

Anko: /* Неврони */

2013-01-11T13:07:39Z

Неврони

Anko: /* Неврони */

2013-01-11T13:07:21Z

Неврони

← Older revision		Revision as of 13:22, 11 January 2013
Line 50:		Line 50:

	Обикновено предавателната функция е [[ненамаляваща функция]] на тоталния вход на даден неврон. Най-често се използва линейна, полулинейна или сигмоидална функция.		Обикновено предавателната функция е [[ненамаляваща функция]] на тоталния вход на даден неврон. Най-често се използва линейна, полулинейна или сигмоидална функция.
		+
		+	Има три най-често използвани функции за активиране на неврон. Oзначаваме с <math>u = \sum_{j}{w_{ij}x_j} </math> сумарният вход
		+	*Активация с гранична стойност
		+	<math> x_i = \left\{\begin{matrix} 1 & \mbox {if } u >\theta_i, \\
		+	0 & \mbox {otherwise.}\end{matrix}\right.</math>
		+	*Активация със скачаща функция
		+	<math> x_i = max \left \{ 0, min \left \{ 1, x+0.5 \right \} \right \}</math>
		+	*Активация със сигмоидална функция
		+	<math> x_i = \frac{a}{1+e^{-bu}} </math>
		+	**a - усилване, амплитуда на предавателната функция
		+	**b - наклон на предавателната функция

	==Мрежови архитектури==		==Мрежови архитектури==

← Older revision		Revision as of 13:22, 11 January 2013
Line 30:		Line 30:

	[[Image:neuron.png]]		[[Image:neuron.png]]
−
−
−	Има три най-често използвани функции за активиране на неврон. Oзначаваме с <math>u = \sum_{j}{w_{ij}x_j} </math> сумарният вход
−	*Активация с гранична стойност
−	~~<math> x_i = \left\{\begin{matrix} 1 & \mbox {if } u >\theta_i, \\~~
−	~~0 & \mbox {otherwise.}\end{matrix}\right.</math>~~
−	*Активация със скачаща функция
−	~~<math> x_i = max \left \{ 0, min \left \{ 1, x+0.5 \right \} \right \}</math>~~
−	*Активация със сигмоидална функция
−	~~<math> x_i = \frac{a}{1+e^{-bu}} </math>~~
−	**a - усилване, амплитуда на предавателната функция
−	**b - наклон на предавателната функция

	==Основни елементи на невронните мрежи ==		==Основни елементи на невронните мрежи ==

@@ Line 32: / Line 32: @@
-Има три най-често използвани функции за активирани на неврон. Oзначаваме с <math>u = \sum_{j}{w_{ij}x_j} </math> сумарният вход
+Има три най-често използвани функции за активиране на неврон. Oзначаваме с <math>u = \sum_{j}{w_{ij}x_j} </math> сумарният вход
 *Активация с гранична стойност
 <math> x_i =  \left\{\begin{matrix} 1 & \mbox {if } u >\theta_i, \\

@@ Line 32: / Line 32: @@
-Ако сумарния вход означим с <math>u =  \sum_{j}{w_{ij}x_j} </math>
+Има три най-често използвани функции за активирани на неврон. Oзначаваме с <math>u = \sum_{j}{w_{ij}x_j} </math> сумарният вход
 *Активация с гранична стойност
 <math> x_i =  \left\{\begin{matrix} 1 & \mbox {if } u >\theta_i, \\
 & \mbox {otherwise.}\end{matrix}\right.</math>
 *Активация със скачаща функция
 <math> x_i = max \left \{ 0, min \left \{ 1, x+0.5 \right \} \right \}</math>
 *Активация със сигмоидална функция
 <math> x_i = \frac{a}{1+e^{-bu}} </math>

@@ Line 31: / Line 31: @@
 [[Image:neuron.png]]
-Активация с гранична стойност
+Ако сумарния вход означим с <math>u =  \sum_{j}{w_{ij}x_j} </math>
 <math> x_i =  \left\{\begin{matrix} 1 & \mbox {if } u >\theta_i, \\
 & \mbox {otherwise.}\end{matrix}\right.</math>
-Активация със скачаща функция
+*Активация със скачаща функция
 <math> x_i = max \left \{ 0, min \left \{ 1, x+0.5 \right \} \right \}</math>
-Активация със сигмоидална функция
+*Активация със сигмоидална функция
-f(x) =
+<math> x_i = \frac{a}{1+e^{-bu}} </math>
 ==Основни елементи на невронните мрежи ==

@@ Line 36: / Line 36: @@
 Активация със скачаща функция
-<math> f(x) = max \left \{  \right \}</math>
+<math> f(x) = max \left \{ 0, min \left \{ 1, x+0.5 \right \} \right \}</math>
 Активация със сигмоидална функция