Вероятностные нейронные сети

Вероятностные нейронные сети могут использоваться в проблемах классификации. Когда вход представлен, первый слой вычисляет расстояния от входного вектора до учебных входных векторов и дает вектор, элементы которого указывают, как близко вход к учебному входу. Второй слой суммирует эти вклады для каждого класса входных параметров, чтобы произвести как его сетевой выход вектор вероятностей. Наконец, конкурировать передаточная функция на выходе второго слоя выбирает максимум этих вероятностей и производит 1 для того класса и 0 для других классов. Архитектуру для этой системы показывают ниже.

Сетевая архитектура

Это принято, что существует входной вектор Q / целевые векторные пары. Каждый целевой вектор имеет K элементы. Один из этих элементов равняется 1, и остальные 0. Таким образом каждый входной вектор сопоставлен с одним из K классы.

Первый слой ввел веса, ^IW1,1 (net.IW{1,1}), установлены в транспонирование матрицы, сформированной из пар обучения Q, P'. Когда вход представлен, || dist || поле дает вектор, элементы которого указывают, как близко вход к векторам набора обучающих данных. Эти элементы умножаются, поэлементно, смещением и отправляются в radbas передаточная функция. Входной вектор близко к учебному вектору представлен номером близко к 1 в выходном векторе a1. Если вход близко к нескольким учебным векторам единого класса, он представлен несколькими элементами a1, которые являются близко к 1.

Веса второго слоя, ^LW1,2 (net.LW{2,1}), установлены в матрицу T целевых векторов. Каждый вектор имеет 1 только в строке, сопоставленной с тем конкретным классом входа и 0s в другом месте. (Используйте функциональный ind2vec создать соответствующие векторы.) Умножение Ta1 суммирует элементы a1 из-за каждого K введите классы. Наконец, передаточная функция второго слоя, compet, производит 1 соответствие самому большому элементу n2 и 0s в другом месте. Таким образом сеть классифицирует входной вектор в определенный K класс, потому что тот класс имеет максимальную вероятность того, чтобы быть правильным.

Спроектируйте (newpnn)

Можно использовать функциональный newpnn создать PNN. Например, предположите, что семь входных векторов и их соответствующие цели

P = [0 0;1 1;0 3;1 4;3 1;4 1;4 3]'

который уступает

P =
     0     1     0     1     3     4     4
     0     1     3     4     1     1     3
Tc = [1 1 2 2 3 3 3]

который уступает

Tc =
     1     1     2     2     3     3     3

Вам нужна целевая матрица с 1 с в нужных областях кадра. Можно получить его с функциональным ind2vec. Это дает матрицу с 0s кроме в правильных пятнах. Поэтому выполнитесь

T = ind2vec(Tc)

который дает

T =
   (1,1)        1
   (1,2)        1
   (2,3)        1
   (2,4)        1
   (3,5)        1
   (3,6)        1
   (3,7)        1

Теперь можно создать сеть и симулировать ее, с помощью входа P убедиться, что это действительно производит правильные классификации. Используйте функциональный vec2ind преобразовывать выход Y в строку Yc ясно дать понять классификации.

net = newpnn(P,T);
Y = sim(net,P);
Yc = vec2ind(Y)

Это производит

Yc =
     1     1     2     2     3     3     3

Вы можете попытаться классифицировать векторы кроме тех, которые использовались, чтобы спроектировать сеть. Попытайтесь классифицировать векторы, показанные ниже в P2.

P2 = [1 4;0 1;5 2]'
P2 =
     1     0     5
     4     1     2

Можно ли предположить, как эти векторы будут классифицированы? Если при запуске симуляцию и строите векторы как прежде, вы добираетесь

Yc =
     2     1     3

Эти результаты выглядят хорошими, поскольку эти тестовые векторы были вполне близко к членам классов 2, 1, и 3, соответственно. Сеть имеет управляемый, чтобы обобщить ее операцию, чтобы правильно классифицировать векторы кроме используемых, чтобы спроектировать сеть.

Вы можете хотеть попробовать Классификацию PNN. Это показывает, как спроектировать PNN, и как сеть может успешно классифицировать вектор, не используемый в проекте.

Документация