Нейрокомпьютинг и его применения в экономике и бизнесе


Извлечение правил - часть 2


|h-A_{clust}(j)|=\min_{j\in\{1,\ldots ,N_{clust}\}}|h-A_{clust}(j)|

и

|h-A_{clust}(j)|\leq\varepsilon,

то

count(j):=count(j)+1, sum(N_{clust}):=sum(N_{clust})+h
иначе

N_{clust}=N_{clust}+1, A_{clust}(N_{clust})=h, count(N_{clust})=1, sum(N_{clust})=h.

  • Заменить
    A_{clust}
    на среднее значение активаций нейрона, объединенных в один и тот же кластер:
    A_{clust}(j)^=sum(j)/count(j),j1,\ldots ,N_{clust}
    .
  • Проверить точность классификации объектов сетью при замене истинных значений активации нейрона скрытого слоя на
    A_{clust}(j)
    .
  • Если точность классификации оказалась ниже заданного значения, то уменьшить значение
    \varepsilon
    и вернуться к шагу 1.
  • Рассмотрим приведенный в (Lu, Setiono and Liu, 1995) пример, в котором прореженная сеть содержала три нейрона скрытого слоя, дискретизация активности которых была проведена при значении параметра

    \varepsilon=0.6
    . Ее результаты отражены в таблице 9.1.

    Таблица 9.1. Дискретизация состояний нейронов скрытого слоя

    нейрон скрытого слоячисло кластеровдискретное значение активности
    13(-1,0,1)
    22(0, 1)
    33(-1, 0.24, 1)

    В этой работе решалась задача разбиения объектов на два класса. На ее примере мы и рассмотрим последовательность извлечения правил. После дискретизации значений активности нейронов скрытого слоя, передача их воздействий выходным классифицирующим нейронам описывалась параметрами, приведенными в таблице 9.2.

    Таблица 9.2. Связь дискретных значений активности нейронов скрытого и выходного слоев.

    h1h2h3o1o2
    -11-10.920.08
    -1110.001.00
    -110.240.010.99
    -10-11.000.00
    -1010.110.89
    -100.240.930.07
    11-10.001.00
    1110.001.00
    110.240.001.00
    10-10.890.11
    1010.001.00
    100.240.001.00
    01-10.180.82
    0110.001.00
    010.240.001.00
    00-11.000.00
    0010.001.00
    000.240.180.82

    Исходя из значений, приведенных в этой таблице, после замены значений выходных нейронов ближайшими к ним нулями или единицами, легко получить следующие правила, связывающие активности нейронов скрытого слоя с активностями классифицирующих нейронов

    • правило 1 если h2=0,h3=-1, то o1=1, o2=0 (объект класса А)
    • правило 2 если h1=-1,h2=1,h3=-1, то o1=1, o2=0 (объект класса А)
    • правило 3 если h1=-1,h2=0,h3=0.24, то o1=1, o2=0 (объект класса А)
    • правило 4 в остальных случаях o1=1, o2=0 (объект класса В)

    Эти правила являются вспомогательными, поскольку нам необходимо связать значения состояний классифицирующих выходных нейронов со входами нейронной сети. Структура данной сети после прореживания связей и нейронов изображена на следующем рисунке.




    Начало  Назад  Вперед



    Книжный магазин