2. THUậT TOÁN VÀ Kỹ THUậT Xử LÝ CƠ BảN
2.5. Học máy với mạng neural
Mỗi Neural (nút) là một đơn vị xử lý thông tin của mạng neural.
Hình 4-2. Cấu trúc một nơron (Neural)
Hình trên minh họa cấu trúc 1 neural. Trong đó:
xi: các tín hiệu input, wkp: trọng số của từng input, f(.): hàm hoạt động, yk: kết xuất của Neural, b: thông số ảnh hưởng đến ngưỡng ra của output.
Hình 4-3. Mạng tiếp dẫn một lớp Hàm hoạt động: Hệ thống lựa chọnhàm Threshold
Tiến trình học
Mạng neural có khả năng nhận biết dữ liệu thông qua tiến trình học, với các thông số tự do của mạng có thể thay đổi bởi những thay đổi của môi trường và mạng neural ghi nhớ giá trị đó.
Hình 4-4. Tiến trình học
Ta ký hiệu y là giá trị kết xuất, t là giá trị ra mong muốn, e là sai lệch giữa hai giá trị:
e = t – y
Giải thuật Back – Propagation
Thuật toán Back – Propagation được sử dụng để điều chỉnh các trọng số kết nối sao cho tổng sai số E nhỏ nhất.
Trong đó: :giá trị của tập mẫu, y (xi):giá trị kết xuất của mạng
Gọi wij: vector trọng số của neuron j số đầu vào i, uj: vector giá trị kết xuất của neuron lớp j.
Hình 4-5. Cấu trúc một nơron (Neural)
- Giá trị sai số của neuron j tại vòng lặp thứ n:
ej (n) = tj (n) – yj (n)
- Tổng bình phương sai số của mạng neural:
- Tại neuron j ta có tổng trọng số input:
- Giá trị kết xuất của neuron j:
yj (n) = fj (uj(n))
- Tính toán giá trị đạo hàm sai số cho mỗi neuron wij:
- Giá trị điều chỉnh trọng số:
Ta có: