Алгоритм функционирования нейронных сетей, их внутренняя структура и компоненты, а также критерии оценки качества. Максимизация взаимной информации двух выходов, получающих информацию от двух смежных, не пересекающихся областей одного изображения.
Аннотация к работе
Входной слой: данный слой не состоит из нейронов, а представляет собой информацию, поступающую на вход нейронной сети, то есть вектор входных параметров. Примером простейшей нейронной сети может являться один нейрон, который принимает на вход информацию из внешней среды (например, баллы выпускника высшего учебного заведения по разным предметам) и в качестве выходной информации выдает «true» или «false», как ответ на вопрос: «Трудоустроится ли данный студент в течение года после окончания обучения в высшем учебном заведении?». Примером многослойной нейронной сети может служить нейронная сеть, распознающая изображения, на вход которой подается изображения (то есть матрица яркости отдельных пикселей), а на выходе данному изображению ставится в соответствие один из использованных в обучающей выборке классов (например, животной, птица или человек). Нормализованные параметры должны представлять собой числовые значения даже в тех случаях, когда реальная информация не является численной, то есть, если в качестве реальной входной информации используются категории (например, лучший, хороший, средний, плохой), то в векторе нормализованных параметров данная информация должна приобрести числовую форму (например, каждому из вариантов может быть поставлена в соответствие числовая отметка). При данном виде обучения обучающий набор состоит из пар векторов: первый вектор, содержит информацию, которая подается на вход нейронной сети, а второй - содержит решение, которое должна принять в идеальном случае сеть, на основе соответствующих входных данных.В первом параграфе первой главы настоящей работы были рассмотрены теоретические основы построения нейронных сетей, их структура, основные элементы, а также возможности применения. Во втором параграфе первой главы настоящей работы были рассмотрены основы оценки качества работы нейронных сетей на основе оптимизации взаимной информации. Максимизация взаимной информации двух выходов, получающих информацию от двух смежных, не пересекающихся областей одного изображения Минимизация взаимной информации двух выходов, получающих информацию от двух соответствующих областей разных изображений Для тестирования данных программ созданы входные данные, состоящие из вырезанных смежных, но не пересекающихся частей одного изображения для первого случая и соответствующих областей разных цветовых компонент одного изображения для второго случая.