- Định lý: Nếu có W
KẾT LUẬN 1 Kết luận:
tín hiệu sai lệch của neuron lớp ẩn:
KẾT LUẬN 1 Kết luận:
1. Kết luận:
Bài toán phân lớp là bài toán có rất nhiều ý nghĩa trong thực tế. Phân lớp các mẫu có dung thứ lỗi là vấn đề rất thú vị. Bộ nhớ tự liên hợp có thể cho phép phục hồi thông tin về các đối tượng đã bị mất thông tin như tấm ảnh bị mờ, con chữ trong tờ giấy nhàu nát được quét lên không còn đầy đủ. Mạng phân lớp như đã cài đặt có thể giúp cho ta có thể giải quyết nhiều bài toán khác trong cuộc sống. Chương trình phân lớp con số cũng có thể ứng dụng để phân loại các đối tượng khác ra làm 10 loại như vây.
Qua nghiên cứu và thử nghiệm có thể củng cố những nhận định sau về mạng nơron:
Ưu điểm:
1. ANN cho phép xây dựng một mô hình tính toán có khả năng học rất cao. Chỉ cần đưa vào cho mạng một tập mẫu dữ liệu trong quá trình học là mạng có khả năng phát hiện ra những ràng buộc dữ liệu và áp dụng những ràng buộc này trong quá trình sử dụng mà không cần phải có thêm các tri thức về miền ứng dụng.
Dữ liệu học trong chương trình thử nghiệm là giá trị 0/1 của các phần tử ứng với các con số. Dữ liệu ra là mảng một chiều 9 phần tử, trong đó có 1 phần tử bằng 1 ứng với con số tương ứng với dữ liệu vào. Nếu tất cả các phần tử ra đều bằng 0, ta có con số 0.
2. Mạng nơron có khả năng xử lý song song và phân tán, ta có thể đưa vào mạng một lượng lớn các nơron liên kết với nhau theo những lược đồ với các kiến trúc khác nhau.
Mạng thử nghiệm có 63 đầu vào, ứng với 63 điểm ảnh khi chia ảnh các con số còn thô.
3. Nó có khả năng dung thứ lỗi rất cao. Mạng có thể chấp nhận những dữ liệu mẫu không hoàn toàn chính xác tuyệt đối mà vẫn đảm bảo được phần nhiều tính đúng đắn của bài toán.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Với hình ảnh những con số đưa vào bị lỗi nhẹ. Mạng vẫn chấp nhận. 4. Với những đặc điểm này, mạng nơron cho phép dễ dàng xây dựng được các mô hình thích nghi mà trong đó có sự thay đổi liên tục về quy luật dữ liệu, có thể dễ dàng cập nhật được trong quá trình học lại của mạng.
Nhược điểm:
1. Mạng chỉ có thể làm việc với các dữ liệu số. Cần tích hợp thêm các thành phần khác như hệ mờ, các bộ số hoá... để xử lý các dữ liệu phi số.
Trong chương trình thử nghiệm, dữ liệu đưa vào có thể là 0 hay 1, có thể đúng, có thể sai. Tuy nhiên phải đủ 63 giá trị. Mạng không chấp nhận bộ dữ liệu vào ít hơn con số 63. Dữ liệu vào phải là số.
2. Để mạng đạt được hiệu quả cao thì điều cần thiết là phải có một bộ dữ liệu mẫu đủ lớn cho quá trình học. Quá trình huấn luyện đó rất dài. Mặt khác, nếu bộ dữ liệu chuẩn bị không tốt thì mạng có khả năng tổng quát hoá thấp.
Trong chương trình thử nghiệm, bộ dữ liệu học là 10 mảng vào kích thước 9x7 và 10 mảng ra một chiều kích thước 9. Quá trình huấn luyện hơi lâu.
3. Mạng có tính chất nội suy. Khả năng ngoại suy là rất kém.
4. Không có một công thức nào để xác định cấu trúc mạng phù hợp với từng bài toán. Các nhà nghiên cứu phải tiến hành thử nghiệm hoặc dựa vào kinh nghiệm để xác định.
Cấu trúc của mạng thử nghiệm chỉ là chọn ước lượng. Nếu số nơron và số lớp lớn mạng làm việc chính xác, tuy nhiên quá trình huấn luyện lâu. Nếu số nơron và số lớp ít, mạng làm việc kém chính xác hơn nhưng thời gian huấn luyện ít hơn.
5. Mạng không thể đưa ra được cơ chế giải thích.
6. Các giải thuật học của mạng đôi khi chưa đảm bảo sự hội tụ cần thiết cho quá trình sử dụng.
7. Mạng cấu trúc lớn cài đặt bằng phần mềm trên máy tính hoạt động rất chậm. Việc xây dựng mạng nơron bằng phần cứng đang được nghiên cứu.