Обобщенные регрессионные нейронные сети

Сетевая архитектура

Обобщенная регрессионная нейронная сеть (GRNN) часто используется для приближения функций. Он имеет радиальный базовый слой и специальный линейный слой.

Архитектура GRNN показана ниже. Он похож на радиальную сеть базиса, но имеет несколько другой второй слой.

Здесь окно nprod, показанное выше (функция кода normprod) производит S2 элементы в векторе n2. Каждый элемент является точечным продуктом строки LW2,1 и вектор входа a1, все нормированные по сумме элементов массива1. Например, предположим, что

LW{2,1}= [1 -2;3 4;5 6];
a{1} = [0.7;0.3];

Тогда

aout = normprod(LW{2,1},a{1})
aout =
    0.1000
    3.3000
    5.3000

Первый слой просто так для newrbe сети. У него столько нейронов, сколько векторов ввода/мишени в P. В частности, веса первого слоя установлены на P '. Смещение b1 устанавливается на вектор-столбец 0 .8326/ SPREAD. Пользователь выбирает SPREAD, расстояние, на которое входной вектор должен находиться от вектора веса нейрона, должно быть 0,5.

Снова, первый слой работает так же, как и newrbe слой радиального базиса, описанный выше. Взвешенный вход каждого нейрона является расстоянием между входным вектором и его вектором веса, вычисленным с dist. Чистый вход каждого нейрона является продуктом его взвешенного входа с его смещением, вычисленным с netprod. Выход каждого нейрона является его чистым входом, прошедшим radbas. Если вектор веса нейрона равен входному вектору (транспонированному), его взвешенный вход будет равен 0, его чистый вход будет равен 0, и его выход будет равен 1. Если вектор веса нейрона является расстоянием spread из входного вектора будет spread его взвешенный вход, и его чистый вход будет sqrt (− log (.5)) (или 0,8326). Поэтому его выход составит 0,5.

Второй слой также имеет столько нейронов, сколько входных/целевых векторов, но здесь LW{2,1} установлено в T.

Предположим, что у вас есть входной вектор p, близкий к p i, одному из входных векторов среди входных векторов/целевых пар, используемых при разработке весов слоя 1. Этот вход p создает слой 1 аi выход близок к 1. Это приводит к выходу слоя 2, близкому к t i, одному из целевых объектов, используемых для формирования весов слоя 2.

Больший spread приводит к большой площади вокруг входного вектора, где нейроны слоя 1 будут отвечать значительными выходами. Поэтому, если spread является маленькой функция радиального базиса очень крутая, так что нейрон с вектором веса, ближайшим к входу, будет иметь намного больший выход, чем другие нейроны. Сеть имеет тенденцию отвечать с целевым вектором, сопоставленным с ближайшим вектором входа проекта.

Как spread становится больше, наклон функции радиального базиса становится более плавным, и несколько нейронов могут реагировать на вектор входа. Сеть затем действует так, как будто она принимает взвешенное среднее значение между целевыми векторами, чья конструкция входа векторы ближе всего к новому вектору входа. Как spread становится больше и больше нейронов вносят свой вклад в среднее значение, в результате чего функция сети становится более гладкой.

Проект (newgrnn)

Вы можете использовать функцию newgrnn для создания GRNN. Например, предположим, что три входных и три целевых вектора заданы как

P = [4 5 6];
T = [1.5 3.6 6.7];

Теперь вы можете получить GRNN с

net = newgrnn(P,T);

и моделируйте его с

P = 4.5;
v = sim(net,P);

Можно хотеть также попробовать приближение функций GRNN.

Функция

Описание

compet

Конкурентные передаточные функции.

dist

Евклидова функция веса расстояния.

dotprod

Функция веса точечного продукта.

ind2vec

Преобразуйте индексы в векторы.

negdist

Отрицательная функция веса евклидова расстояния.

netprod

Вход нетто продукта.

newgrnn

Разработайте обобщенную регрессионую нейронную сеть.

newpnn

Создайте вероятностную нейронную сеть.

newrb

Проектируйте радиальную базовую сеть.

newrbe

Проектируйте точную радиальную базовую сеть.

normprod

Нормированная функция веса точечного продукта.

radbas

Передаточная функция радиального базиса.

vec2ind

Преобразуйте векторы в индексы.

Для просмотра документации необходимо авторизоваться на сайте