Professional Documents
Culture Documents
Chuong 1
Chuong 1
p w n
f a
b
1
1 a
0 n
-1
Hµm truyÒn hardlim nh- trªn h¹n chÕ ®Çu ra cña neuron b»ng 0. NÕu ®Çu vµo n 0 hay 1 nÕu
n0. C¸c neuron cã hµm truyÒn nµy ®-îc dïng trong c¸c bµi to¸n ph©n lo¹i. Trong MATLAB
ta cã hµm truyÒn hardlim ®Ó thùc hiÖn hµm truyÒn cã giíi h¹n to¸n häc nµy.Ta cã thÓ nhËp m·
nh- sau :
n = -5:0.1:5;
plot(n,hardlim(n),'c+:');
M· trªn t¹o ra hµm hardlim trong ®o¹n -5 tíi 5.
Hµm truyÒn tuyÕn tÝnh cã d¹ng nh- sau:
a
1
n
0
-1
H×nh 1.4 Hµm truyÒn tuyÕn tÝnh
Neuron lo¹i nµy ®-îc dïng trong c¸c bé läc tuyÕn tÝnh thÝch nghi.
Hµm truyÒn d¹ng log-sigmoid cã trÞ sè ®Çu vµo n»m trong kho¶ng (- ) vµ ®Çu ra
bÞ nÐn trong kho¶ng tõ 0 ®Õn 1. Hµm truyÒn nµy ®-îc dïng trong c¸c m¹ng lan truyÒn ng-îc.
KÝ hiÖu trong « vu«ng bªn c¹nh c¸c hµm truyÒn lµ lµ biÓu diÔn ®å ho¹ cña c¸c hµm truyÒn.
a a
1 1
0 n -b/w p
-1 -1
2
Dïng Neuron Network Design Demonstration One-input neuron nnd2n1 ®Ó minh
ho¹
3. Neuron cã vec t¬ ®Çu vµo: Mét neuron cã thÓ cã nhiÒu ®Çu vµo vµ t¹o nªn mét vec t¬ ®Çu
vµo. Mét neuron víi R ®Çu vµo ®-îc m« t¶ trªn h×nh 1.6.
Inputs General Neuron
p1 w1,1
p2 n
f a
w1,R
pR b
1
p
W a
Rx1 n
x1 w
1R + f 11
11
1 b x1
R x1
S
11
3
Mçi mét ®Çu vµo ®-îc nèi víi mét neuron vµ ma trËn träng sè cã S hµng. Líp bao gåm
ma trËn träng sè, c¸c bé tæng, vec t¬ ®é dèc b, c¸c hµm truyÒn vµ vec t¬ ®Çu ra a. Mçi phÇn tö
cña vec t¬ ®Çu vµo p ®-îc nèi víi mét neuron qua ma trËn träng sè W. Mçi neuron cã ®é dèc
bi, mét bé tæng, mét hµm truyÒn f, mét ®Çu ra ai. KÕt hîp chóng ta c¸c vec t¬ ®Çu ra a.
n1 aS
f
p1 b1
1
p2 n2 aS
f
b1
p3
1
pS
nS aS
f
bS
1
p
W a
Rx1 n
x1 w
SR + f S1
S1
1 b x1
R x1
S
S1
H×nh 1.9 Neuron cã R ®Çu vµo,rót gän
2. M¹ng nhiÒu líp neuron: B©y giê ta kh¶o s¸t mét m¹ng cã nhiÒu líp. Mçi líp cã ma trËn
träng sè W, vec t¬ ®é dèc b vec t¬ ®Çu vµo m¹ng n vµ vec t¬ ®Çu ra a cña nã. Ta cÇn ®-a thªm
mét sè kh¸i niÖm phô ®Ó ph©n biÖt gi÷a c¸c líp. Ta dïng chØ sè trªn ®Ó chØ c¸c líp. Nh- vËy
ma trËn träng sè cña líp thø nhÊt lµ W1 vµ cña líp thø 2 lµ W2.. M¹ng cã 3 líp nh- h×nh 1.10 :
4
Theo h×nh vÏ ta thÊy cã R ®Çu vµo, S1 neuron trong líp thø nhÊt, S2 neuron trong líp thø 2 vµ
S3 neuron trong líp thø 3. C¸c líp kh¸c nhau cã thÓ cã sè neuron kh¸c nhau. §Çu ra cña líp
nµy lµ ®Çu vµo cña líp kia.
Inputs First Layer Second Layer Third Layer
1
n11 a11 n21 a21 n31 3 a 1
f 1
f2 f
p1 1
b1 b11 b11
1 1 1
n12 1 a12 n22 2 a22 n32 3 a12
p2 f f f
1
1
b2
1
b1 b1
p3 1 1
1
p1
n1s a1s n2s 2 a2s n3s 3 a1s
f1 f f
1
b1s
1
b1 b1
1 1 1
p a1 a2 W1 a3
W1 W1
R1 1 S 1 2 1
1
S 1 3 2
2 S 1
3
S R S S S S
+ n1
+ S2n1 + n 3 f3
2
f1 f2
1 S 1
1
S 1
3
1 b1 1 b1 1 b1
R S11
1
S S21 S2
S31 S3
M¹ng nhiÒu líp m¹nh h¬n m¹ng mét líp. VÝ dô m¹ng 2 líp cã líp thø nhÊt lµ sigmoid
vµ líp thø 2 lµ tuyÕn tÝnh cã thÓ xö lÝ mét hµm xÊp xØ bÊt k× mµ m¹ng 1 líp kh«ng lµm ®-îc.
NÕu ta cã 4 biÕn bªn ngoµi ®-îc dïng nh- lµ ®Çu vµo th× sè ®Çu vµo m¹ng lµ 4. T-¬ng
tù nÕu cÇn 7 biÕn ra th× sè neuron trong líp ra lµ 7. Cuèi cïng ®Æc tÝnh cña tÝn hiÖu ®Çu ra gióp
cho viÖc chän hµm truyÒn cña líp ra. VÝ dô nÕu ®Çu ra cÇn tÝn hiÖu trong kho¶ng -1 vµ 1 th×
hµm truyÒn hardlimit ®èi xøng sÏ ®-îc sö dông. Nh- vËy cÊu tróc cña mét m¹ng mét líp hoµn
toµn ®-îc x¸c ®Þnh b»ng sè liÖu ban ®Çu gåm sè ®Çu vµo, ®Çu ra vµ ®Æc tÝnh tÝn hiÖu.
3. M¹ng håi quy: Tr-íc khi xem xÐt m¹ng håi quy ta ®-a thªm mét sè khèi. Sau ®©y lµ khèi
trÔ(h×nh 1.12 a) vµ khèi tÝch ph©n (h×nh 1.12 b):
Delay Integrator
a(0 5
a(0
) )
H×nh 1.12
TÝn hiÖu ra cña khèi trÔ:
a(t) = u(t-1) (1-5)
nghÜa lµ tÝn hiÖu ra lµ tÝn hiÖu vµo cã trÔ mét b-íc thêi gian.
TÝn hiÖu khèi tÝch ph©n cã d¹ng nh- sau:
1
a(t ) = u()d + a(0) (1-6)
0
§iÒu kiÖn ®Çu a(0) ®-îc thÓ hiÖn b»ng mòi tªn vµo phÝa d-íi khèi tÝch ph©n.
B©y giê ta xÐt ®Õn m¹ng håi quy. M¹ng håi quy lµ m¹ng cã håi tiÕp. Mét sè ®Çu ra
®-îc nèi víi ®Çu vµo. Mét trong c¸c m¹ng håi tiÕp ®-îc cho trªn h×nh 1.13
Initial Condition Recurrent Layer
p
W a(t)
n(t+1) a(t+1))
Sw
xS + D
S x1 S x1 S x1
1 b
S x1 S
S x1
S
M¹ng
neuron
Sensor Ph©n
lo¹i
T¸o Cam
6
p = [h×nh d¹ng, bÒ m¨t, khèi l-îng]T
Nh- vËy cam sÏ cã ma trËn:
p1 = [ 1 , -1, -1]T = [tròn – không nhẵn – khác 100g] (1-8)
vµ t¸o cã ma trËn:
p2 = [ 1 , 1, -1]T = [tròn - nhẵn - khác 100g] (1-9)
M¹ng neuron sÏ nhËn ®-îc mét vec t¬ ®Çu vµo cã 3 phÇn tö vµ sÏ quyÕt ®Þnh ®ã lµ cam (p1)
hay t¸o (p2). B©y giê ta sÏ xem xÐt 3 m¹ng neuron cã thÓ gi¶i quyÕt bµi to¸n nµy.
2. Perceptron:M¹ng neuron ®Çu tiªn mµ chóng ta nghiªn cøu lµ perceptron mét líp cã hµm
truyÒn hard lim nh- h×nh 1.14.
Inputs Sym. Hard limit layer
p
W a
n
Rx1 Sw
xR + S x1
x1 S x1
1 b
R
S x1 S
p1 w1,1
n a
p2 w1,2
b
1
H×nh 1.15 Perceptron mét neuron hai ®Çu vµo
Perceptron mét neuron cã thÓ ph©n lo¹i c¸c vec t¬ vµo thµnh 2 lo¹i.VÝ dô víi
perceptron hai ®Çu vµo nÕu w1,1 = -1 vµ w1,2 = 1 th×:
a = hardlims(n) = hardlims([ -1 1])p + b) = hardlims((-p1 + p2) + b) (1-10)
Nh- vËy nÕu tÝch cña W víi p lín h¬n hay b»ng -b th× ®Çu ra sÏ b»ng 1. §iÒu ®ã chia kh«ng
gian vµo thµnh 2 phÇn. Trªn h×nh vÏ lµ tr-êng hîp b = -1. §-êng 1 biÓu diÔn c¸c ®iÓm cã n = 0
n = [ -1 1]p - 1 = 0 (1-11) p2
§-êng biªn nµy lu«n lu«n vu«ng gãc víi ma trËn
W vµ ®-êng biªn sÏ dÞch chuyÓn nÕu ta thay ®æi hÖ
sè b. Bªn tr¸i ®-êng th¼ng lµ vïng chøa tÊt c¶ c¸c W 1
vec t¬ ®Çu vµo ®Ó t¹o ra ®Çu ra lµ 1. Nh- vËy n<0
perceptron mét neuron cã thÓ chia c¸c vec t¬ vµo n>0
thµnh 2 lo¹i. §-êng biªn gi÷a hai lo¹i tho¶ m·n p1
ph-¬ng tr×nh: -1 1
Wp + b = 0 (1-12)
p2
p1(cam)
p2(t¸o)
p1
H×nh 1.17 C¸c vec t¬ nguyªn mÉu
Tõ h×nh 1.17 ta thÊy r»ng biªn tuyÕn tÝnh chia hai vec t¬ nµy mét c¸ch ®èi xøng lµ mÆt ph¼ng
p1p3. MÆt ph¼ng nµy cã ph-¬ng tr×nh:
p2 = 0 (1-14)
p1
hay: 0 1 0 p 2 + 0 = 0 (1-15)
p 3
Do ®ã ma trËn träng sè W = [ 0 1 0 ] vµ ®é dèc b = 0.Ta sÏ thÊy perceptron ph©n lo¹i tèt cam
vµ t¸o. ThËt vËy víi cam:
1
a = hard lim s 0 1 0 − 1 + 0 = −1 (cam) (1-16)
− 1
vµ víi t¸o:
1
a = hard lim s 0 1 0 1 + 0 = 1 (t ¸o) (1-17)
− 1
§iÒu g× sÏ x¶y ra nÕu ta ®Æt mét qu¶ cam kh«ng hoµn thiÖn lªn b¨ng t¶i ®Ó ph©n lo¹i? Ta cho
r»ng qu¶ cam cã d¹ng elip. Nh- vËy vec t¬ vµo sÏ lµ:
p = [-1 -1 -1]T (1-18)
8
vµ ®¸p øng cña m¹ng lµ :
− 1
a = hard lim s 0 1 0 − 1 + 0 = −1 (cam) (1-19)
− 1
Nh- vËy bÊt k× mét vec t¬ nµo gÇn víi vec t¬ mÉu cña cam sÏ ®-îc ph©n lo¹i lµ cam.
M« pháng b»ng Neuron Network Design Demonstration Perceptron Classification
nnd3pc
3. M¹ng Hamming:M¹ng tiÕp theo chóng ta sÏ kh¶o s¸t lµ m¹ng Hamming. Nã ®-îc thiÕt kÕ
®Ó gi¶i quyÕt bµi to¸n nhËn d¹ng nhÞ ph©n trong ®ã mçi phÇn tö cña vec t¬ vµo chØ cã 2 gi¸ trÞ
cã thÓ cã(trong vÝ dô cña chóng ta lµ 1 vµ -1). M¹ng nµy cã dïng líp kh«ng håi tiÕp vµ líp håi
tiÕp.
Mét m¹ng Hamming chuÈn nh- h×nh 1.18.
Feedforward Layer Recurrent Layer
p
W1
n1 a1 n2(t+1) n2(t+1) a2(t)
R1 2
SR + W D
S1 S1 S1 S1 S1
1 b 1 SS
S S
S1
R
Mçi phÇn tö bÞ gi¶m ®i mét l-îng b»ng nh©n víi trÞ sè cña phÇn tö kh¸c. PhÇn tö lín h¬n bÞ
gi¶m Ýt vµ phÇn tö nhá h¬n bÞ gi¶m nhiÒu nªn sù kh¸c nhau gi÷a phÇn tö lín vµ phÇn tö nhá
t¨ng lªn. HiÖu qu¶ lµ c¸c ®Çu ra cña c¸c neuron cña líp recurrent b»ng zero ngo¹i trõ neuron
cã gi¸ trÞ ®Çu lín nhÊt.
§Ó minh ho¹ sù lµm viÖc cña m¹ng Hamming ta kh¶o s¸t l¹i vÝ dô vÒ qu¶ cam cã d¹ng
ellip. Nguyªn mÉu cña nã lµ:
p = [ -1 -1 -1 ]T (1-27)
§Çu ra cña líp feedforward :
− 1
1 − 1 − 1 3 4
a =
1
−1 + = (1-28)
1 1 − 1 3 2
− 1
vµ ®©y lµ ®iÒu kiÖn ®Çu cho líp håi quy.
Ma trËn träng sè lÊy víi = 0.5(víi bất k× gi¸ trÞ nµo nhá hon 1). LÇn lÆp ®Çu tiªn cña
líp cho kÕt qu¶:
1 − 0.5 4 3 3
a 2 (1) = poslin (W2a 2 (0)) = poslin
2 = poslin = (1-29)
0 0
− 0 .5 1
vµ lÇn lÆp thø hai:
1 − 0.5 3 3 3
( )
a 2 (2) = poslin W2 a 2 (1) = poslin = poslin = (1-30)
1 0 1.5 0
− 0.5
V× ®Çu ra cña c¸c lÇn lÆp liªn tiÕp cho cïng mét kÕt qu¶ nªn m¹ng héi tô. MÉu chuÈn sè
1(cam) ®-îc chän khi so khíp ®óng v× chØ cã neuron sè 1 cã ®Çu ra kh¸c kh«ng. §©y lµ sù lùa
chän ®óng v× kho¶ng c¸hc Hamming tõ mÉu chuÈn cña cam tíi mÉu vµo lµ 1 vµ kho¶ng c¸ch
®ã tõ mÉu chuÈn cña cam tíi mÉu vµo lµ 2.
§Ó simulation ta dïng Neuron Network Design Demonstration Hamming
Classification (ch-¬ng tr×nh nnd3hamc)
4. M¹ng Hopffield :M¹ng cuèi cïng mµ chóng ta th¶o luËn trong vÝ dô nµy lµ m¹ng Hopfield.
§©y lµ mét m¹ng håi tiÕp cã mét vµi ®iÓm t-¬ng tù líp håi tiÕp cña m¹ng Hamming. M¹ng cã
10
s¬ ®å nh- h×nh 1.19. Neuron trong m¹ng ®-îc khëi g¸n b»ng vec t¬ vµo vµ m¹ng sÏ lặp cho
®Õn khi héi tô. Khi m¹ng lµm viÖc ®óng, ®Çu ra ra sÏ lµ mét trong c¸c vec t¬ chuÈn. Nh- vËy
trong khi trong m¹ng Hamming neuron cã ®Çu ra kh¸c kh«ng chØ ra mÉu chuÈn nµo ®-îc chän
th× m¹ng Hopfield t¹o ra mÉu chuÈn ®-îc chän ë ®Çu ra.
Recurrent Layer
Initial Condition
p
W
S1 n(t+1) a(t+1) a(t)
SS + D
S1 S1 S1
1 b
S
S1
S
11