Добавлен: 09.11.2023
Просмотров: 26
Скачиваний: 2
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Вероятностная нейронная сеть
вероятностная нейронная сеть (PNN) - это нейронная сеть прямого распространения , которая широко используется в задачах классификации и распознавания образов.
В алгоритме PNN родительская функция распределения вероятностей (PDF) каждого класса аппроксимируется окном Парзена и непараметрической функцией.
Затем, используя PDF каждого класса, оценивается вероятность класса новых входных данных, и затем применяется правило Байеса для выделения класса с наивысшей апостериорной вероятностью новым входным данным.
С помощью этого метода вероятность ошибочной классификации сводится к минимуму.
Этот тип ИНС был получен из байесовской сети и статистического алгоритма под названием дискриминантный анализ ядра Фишера .
В основу классификации в сети PNN положено использование методов Байеса.
Архитектура PNN сети состоит из 4 основных уровней: уровень ввода, уровень шаблона, уровень суммирования и выходной уровень.
Уровень ввода
Каждый нейрон во входном слое представляет переменную-предиктор. В категориальных переменных используется N-1 нейронов, когда имеется N категорий. Он стандартизирует диапазон значений путем вычитания медианы и деления на межквартильный размах . Затем входные нейроны передают значения каждому из нейронов скрытого слоя. уровень шаблона
Этот слой содержит по одному нейрону для каждого случая в наборе обучающих данных. Он хранит значения переменных-предикторов для случая вместе с целевым значением. Скрытый нейрон вычисляет евклидово расстояние тестового примера от центральной точки нейрона, а затем применяет функцию ядра радиальной базисной функции , используя значения сигмы.Википедия site:wiki5.ru уровень суммирования
Для PNN существует один нейрон шаблона для каждой категории целевой переменной. Фактическая целевая категория каждого обучающего примера сохраняется для каждого скрытого нейрона; взвешенное значение, исходящее от скрытого нейрона, подается только на шаблонный нейрон, который соответствует категории скрытого нейрона. Шаблонные нейроны складывают значения для класса, который они представляют.Википедия site:wiki5.ru Выходной уровень
Выходной слой сравнивает взвешенные голоса для каждой целевой категории, накопленные в слое шаблона, и использует наибольшее количество голосов для прогнозирования целевой категории.
Преимущества: Использование PNN вместо многослойного персептрона имеет несколько преимуществ и недостатков.
PNN намного быстрее, чем многослойные сети персептронов.
PNN может быть больше точнее, чем многослойные сети персептронов.
Сети PNN относительно нечувствительны к выбросам.
Сети PNN генерируют точные прогнозируемые целевые вероятностные оценки.
PNN приближаются к оптимальной классификации Байеса.
Недостатки:
PNN медленнее, чем многослойные сети персептронов при классификации новых случаев.
PNN требует большего объема памяти для хранения модели.
Приложения, основанные на PNN
вероятностные нейронные сети при моделировании структурного разрушения трубы ливневой канализации.
метод вероятностных нейронных сетей для диагностики образцов желудочного эндоскопа на основе FTIR-спектроскопии.
Вероятностные нейронные сети в решении различных задач классификации шаблонов.
Применение вероятностных нейронных сетей фармакокинетикам населения.
Вероятностные нейронные сети для прогнозирования классов лейкемии и эмбриональной опухоли центральной нервной системы.
Идентификация судна с использованием вероятностных нейронных сетей.
Управление конфигурацией датчиков на основе вероятностной нейронной сети в беспроводная одноранговая сеть.
Вероятностная нейронная сеть с распознаванием символов.
Классификация изображений с дистанционным зондированием.
вероятностная нейронная сеть (PNN) - это нейронная сеть прямого распространения , которая широко используется в задачах классификации и распознавания образов.
В алгоритме PNN родительская функция распределения вероятностей (PDF) каждого класса аппроксимируется окном Парзена и непараметрической функцией.
Затем, используя PDF каждого класса, оценивается вероятность класса новых входных данных, и затем применяется правило Байеса для выделения класса с наивысшей апостериорной вероятностью новым входным данным.
С помощью этого метода вероятность ошибочной классификации сводится к минимуму.
Этот тип ИНС был получен из байесовской сети и статистического алгоритма под названием дискриминантный анализ ядра Фишера .
В основу классификации в сети PNN положено использование методов Байеса.
Архитектура PNN сети состоит из 4 основных уровней: уровень ввода, уровень шаблона, уровень суммирования и выходной уровень.
Уровень ввода
Каждый нейрон во входном слое представляет переменную-предиктор. В категориальных переменных используется N-1 нейронов, когда имеется N категорий. Он стандартизирует диапазон значений путем вычитания медианы и деления на межквартильный размах . Затем входные нейроны передают значения каждому из нейронов скрытого слоя. уровень шаблона
Этот слой содержит по одному нейрону для каждого случая в наборе обучающих данных. Он хранит значения переменных-предикторов для случая вместе с целевым значением. Скрытый нейрон вычисляет евклидово расстояние тестового примера от центральной точки нейрона, а затем применяет функцию ядра радиальной базисной функции , используя значения сигмы.Википедия site:wiki5.ru уровень суммирования
Для PNN существует один нейрон шаблона для каждой категории целевой переменной. Фактическая целевая категория каждого обучающего примера сохраняется для каждого скрытого нейрона; взвешенное значение, исходящее от скрытого нейрона, подается только на шаблонный нейрон, который соответствует категории скрытого нейрона. Шаблонные нейроны складывают значения для класса, который они представляют.Википедия site:wiki5.ru Выходной уровень
Выходной слой сравнивает взвешенные голоса для каждой целевой категории, накопленные в слое шаблона, и использует наибольшее количество голосов для прогнозирования целевой категории.
Преимущества: Использование PNN вместо многослойного персептрона имеет несколько преимуществ и недостатков.
PNN намного быстрее, чем многослойные сети персептронов.
PNN может быть больше точнее, чем многослойные сети персептронов.
Сети PNN относительно нечувствительны к выбросам.
Сети PNN генерируют точные прогнозируемые целевые вероятностные оценки.
PNN приближаются к оптимальной классификации Байеса.
Недостатки:
PNN медленнее, чем многослойные сети персептронов при классификации новых случаев.
PNN требует большего объема памяти для хранения модели.
Приложения, основанные на PNN
вероятностные нейронные сети при моделировании структурного разрушения трубы ливневой канализации.
метод вероятностных нейронных сетей для диагностики образцов желудочного эндоскопа на основе FTIR-спектроскопии.
Вероятностные нейронные сети в решении различных задач классификации шаблонов.
Применение вероятностных нейронных сетей фармакокинетикам населения.
Вероятностные нейронные сети для прогнозирования классов лейкемии и эмбриональной опухоли центральной нервной системы.
Идентификация судна с использованием вероятностных нейронных сетей.
Управление конфигурацией датчиков на основе вероятностной нейронной сети в беспроводная одноранговая сеть.
Вероятностная нейронная сеть с распознаванием символов.
Классификация изображений с дистанционным зондированием.