• Nie Znaleziono Wyników

Sprawdzian I: Sieci neuronowe

N/A
N/A
Protected

Academic year: 2021

Share "Sprawdzian I: Sieci neuronowe"

Copied!
1
0
0

Pełen tekst

(1)

x1

x2

y1

y2

1 -2

-1

-2 2

1 2

1 -3

0 -1

3 0

1

2 -1 3

x1

x2

z1

z3

1 -1

-1 1

0 2

1 2

0 0

z2

1 -1

-1 0

0

Sprawdzian I: Sieci neuronowe

Odpowiedź podać z uzasadnieniem

Zadanie 1: Użyto sieci neuronowej do klasyfikacji punktów podanych na rysunku. Zakładając, że czarne punkty są przypisane do klasy decyzyjnej 1 a białe punkty do klasy 0

a) zaprojektować neuron (podając budowę, wagi synaptyczne, funkcję aktywacji), który poprawnie klasyfikuje podane punkty.

b) podać równanie prostej oddzielającej i sporządzić jej wykres.

c) wyznaczyć, do której klasy należy punkt P(2, -2)?

Zadanie 2: W podanej obok sieci neurony w warstwie ukrytej mają dyskretną bipolarną funkcję aktywacji a neurony w wyjściowej warstwie mają sigmoidalną funkcją aktywacji z parametrem  = 1.

a) Wyznacz sygnały wyjściowe z tej sieci dla wektora wejściowego X = [0,1].

b) Jaki jest zakres wartości sygnałów wyjściowych z ukrytej (pierwszej) i z wyjściowej (drugiej) warstwy?

Zadanie 3: Neuronu z dyskretną unipolarną funkcją aktywacji użyto do klasyfikacji wzorców na rysunku:

Wzorce są binarnie kodowane. Czerwonej kratce odpowiada bit 1, a białej bit 0. Wzorce są skanowane od lewej do prawej strony i od góry do dołu.

Zakładając, że dla pierwszego wzorca oczekiwaną odpowiedzią d = 0, a dla drugiego wzorca d = 1.

Zakładając również, że początkowy wektor wag neuronu będzie [0, 0, 1, -1], odchylenie wynosi -1.

a) Używając reguły perceptronowej ( = 1) przeprowadź jeden cykl (jedną epokę) uczenia sieci dla podanych wzorców.

b) Wyznacz sygnały wyjściowe sieci dla wzorców uczących po jednym cyklu uczenia.

Zadanie 4: Podczas uczenia sieci podanej na rysunku na wejście sieci podano wzorzec uczący X = [1, -1], oczekując na wyjściu wektora [0, 1, 0].

a) Wyznacz sygnały wyjściowe.

b) Wyznacz błąd pomalowanego neuronu.

c) Zakładając, że wszystkie neurony mają unipolarną sigmoidalną funkcję aktywacji (=1) i współczynnik nauki wynosi =1, modyfikuj wagi pomalonego neuronu.

10

0

5 -5

0 5

-5

Cytaty

Powiązane dokumenty

[r]

Żeby w informatyce wykorzystać potencjał funkcjonalny neuronu oraz całej ich sieci (grafu), zwanych często sieciami neuronowymi, trzeba opracować uproszczony model działania

Modele koneksjonistyczne: sieci i rozproszone przetwarzanie równoległe, ale węzły nie działają jak neurony – sieci Bayesowskie, modele graficzne, uczenie się przez

ANN, sztuczne sieci neuronowe – liczne zastosowania techniczne, modele funkcji mózgu, neurony impulsujące lub progowe3. PDP, Parallel Data Processing, czyli

• dla wygenerowanych danych dwuwymiarowych dwóch klas z rozkładów normal- nych zaznacz na wykresie dane treningowe, klasyfikator sieciami neuronowymi, dla różnej liczby neuronów

Gdy mamy warstwę ukrytą problem jest taki, że nie znamy prawidłowej wartości na wyjściu neuronów z warstwy ukrytej, więc nie wiemy jak wyliczyć modyfikacje wag.. Algorytm

Zadanie polega na podziane zbioru próbek na kilka podzbiorów (tutaj: grup), w których wszystkie próbki wewnątrz tego podzbioru są możliwie podobne do siebie (leżą blisko

Zadanie 3: Neuronu z dyskretną unipolarną funkcją aktywacji użyto do klasyfikacji wyorców na rysunku:. b) Wyznacz sygnały wyjściowe sieci dla wzorców uczących po jednym