TAILIEUCHUNG - Bài giảng Lý thuyết nhận dạng - Một số kỹ thuật trong lý thuyết nhận dạng (tiếp)

Bài giảng Lý thuyết nhận dạng - Một số kỹ thuật trong lý thuyết nhận dạng (tiếp) với các nội dung radial basis functions neural networks; kiến trúc của mạng neural RBF; khớp đường cong sử dụng mạng neural RBF; biểu diễn của dữ liệu nói trên; phân bố của mẫu trong ví dụ . | Mạng neural RBF LÝ THUYẾT NHẬN DẠNG MỘT SỐ KỸ THUẬT TRONG LÝ THUYẾT NHẬN DẠNG TIẾP 1 Biên soạn TS Ngô Hữu Phúc Bộ môn Khoa học máy tính Học viện kỹ thuật quân sự Email ngohuuphuc76@ RADIAL BASIS FUNCTIONS NEURAL NETWORKS Mạng neural là công cụ hiệu quả cho việc biểu diễn ánh xạ phi tuyến từ tập dữ liệu vào tới tập dữ liệu ra. Có nhiều lược đồ khác nhau của mạng neural. Trong số đó là dạng không tham số ví dụ PNN k-nearest neighbor không bao gồm ước lượng có tham số . Trong đó có dạng có tham số ví dụ như hàm phân biệt tuyến tính. Một ứng dụng quan trọng của mạng neural là tính hồi quy. Thay vì ánh xạ của tập input vào nhãn lớp rời rạc mạng neural ánh xạ tập tham số input vào tập giá trị liên tục. Trong phần này xem xét RBF. Mạng neural RBF 2 KIẾN TRÚC CỦA MẠNG NEURAL RBF Giả sử input là x output là y x kiến trúc của mạng neural RBF khi chọn hàm Gaussian là hàm cơ bản được cho bởi M x ci 2 y x wi exp 2 2 i 1 Trong công thức trên ci là các tâm σ là bán kính. wi là các trọng số. Có M hàm cơ bản với các tâm ci. Mạng neural RBF 3 KIẾN TRÚC CỦA MẠNG NEURAL RBF T Kiến trúc của một mạng neural RBF Mạng neural RBF 4 KHỚP ĐƯỜNG CONG SỬ DỤNG MẠNG NEURAL RBF Trong bài toán hồi quy khớp đường cong là một ứng dụng có sử dụng RBF. Ví dụ lấy σ 1 c1 2 c2 5 c3 8. Như vậy hàm đầu ra là 3 x ci 2 y x wi exp i 1 2 Từ công thức cho thấy có thể hiệu chỉnh đường cong bằng việc thay đổi trọng số hoặc tâm. Mạng neural RBF 5 VÍ DỤ VỀ ĐƯỜNG CONG NÓI TRÊN 1 Mạng neural RBF 6 VÍ DỤ VỀ ĐƯỜNG CONG NÓI TRÊN 2 Mạng neural RBF 7 VÍ DỤ VỀ ĐƯỜNG CONG NÓI TRÊN 3 Mạng neural RBF 8 VÍ DỤ VỀ ĐƯỜNG CONG NÓI TRÊN 4 Mạng neural RBF 9 KHỚP ĐƯỜNG CONG SỬ DỤNG MẠNG NEURAL RBF T Bằng việc hiệu chỉnh đường cong qua trọng số hoặc tâm có thể dùng RBF để xấp xỉ bất kỳ hàm phi tuyến chưa biết nào đó thông qua tập dữ liệu huấn luyện. Xét n cặp x1 t1 x2 t2 xn tn . Trong đó xi có giá trị thực ti thường là giá trị xác định trước có thể nguyên . Huấn luyện mạng RBF bằng bộ dữ liệu trên. Mục đích y xi xấp xỉ ti. .

• Cơ sở dữ liệu
• Bài giảng Lý thuyết nhận dạng
• Lý thuyết nhận dạng
• Một số kỹ thuật trong lý thuyết nhận dạng
• Mạng neural RBF
• Sử dụng mạng neural RBF
• Bài giảng Lý thuyết nhận dạng Chương 2
• Chương 2 Giới thiệu về nhận dạng mẫu
• Giới thiệu về nhận dạng mẫu
• Nhận dạng mẫu
• Chuẩn hóa dữ liệu
• Kỹ thuật trong lý thuyết nhận dạng
• Ước lượng mật độ dùng cửa sổ Parzen
• Mạng neural theo xác suất
• Bài giảng Lý thuyết nhận dạng Chương 3
• Nhận dạng mẫu dựa trên thống kê
• Cực đại hàm tin cậy
• Mô hình hỗn hợp
• Bài giảng Lý thuyết nhận dạng Chương 1
• Chương 1 Nội dung môn học
• Nhận dạng mẫu dựa trên thống kê học
• Ước lượng hàm mật độ xác suất
• giáo trình lý thuyết
• nhận dạng ứng dụng
• quá trình nhận thức
• thuật toán nhận dạng
• phân loại dạng
• khoa học nhận dạng
• phân lớp dạng
• Nhắc lại kiến thức xác suất
• Luật tổng xác suất
• Định lý Bayes
• Bài giảng Lý thuyết nhận dạng Chương 4
• Tối ưu hóa hàm lượng giá
• Hàm lượng giá
• Thuật toán perceptron
• Bài giảng Lý thuyết nhận dạng Chương 5
• Sự phân lớp dựa
• Phân lớp dựa trên láng giềng gần nhất
• Tìm kiếm trên đồ thị
• Tin học lý thuyết
• Bài giảng Tin học lý thuyết
• Máy Turing
• Turing Machine
• Mô hình TM
• TM nhận dạng ngôn ngữ
• Bài giảng Lý thuyết mạch
• Lý thuyết mạch
• Kỹ thuật điện
• Phân tích vật lý
• Phân tích toán học
• Chức năng mô hình hóa