Sử dụng mạng neural xây dựng ứng dụng nhận dạng chữ viết tay

TRƯỜNG ĐẠI HỌC QUỐC GIA HÀ NỘI
ĐẠI HỌC CÔNG NGHỆ
o0o
BÁO CÁO
Môn: TRÍ TUỆ NHÂN TẠO NÂNG CAO
SỬ DỤNG MẠNG NEURAL XÂY DỰNG ỨNG
DỤNG NHẬN DẠNG CHỮ VIẾT TAY
Giảng viên hướng dẫn : ĐỖ NĂNG TOÀN
Học viên thực hiện : NGUYỄN HỮU HUY
NGUYỄN XUÂN KỲ
ĐOÀN THỊ THÙY LINH
Lớp : K16T3
Hà nội, 4-2010
Mục lục
1. TỔNG QUAN VỀ MẠNG NƠRON 4
1.1. Mạng nơron là gì 4
1.2. ứng dụng trong lĩnh vực gì 4
2. CẤU TRÚC CỦA MỘT NƠRON 4
3. HỌC CÓ GIÁM SÁT VÀ HỌC KHÔNG CÓ GIÁM SÁT 5
3.1. Mạng nơron học có giám sát: 5
3.2. Trong phương pháp học không có giám sát: 5
4. GIẢI THUẬT LAN TRUYỀN NGƯỢC 6
5. LEARNING RATE 6
6. HÀM ACTIVE 7
6.1. Mô hình hàm : y = 1 / (1 + Exp(-x)) 7
6.2. Mô hình hàm : y = x 8
6.3. Hình 7.3: Mô hình hàm y = Log(1 + |x|) 8
6.4. Hình 7. 4: Mô hình hàm y = sin(x) 8
6.5. Hình 7.5: Mô hình hàm y=Tan(x) 9
7. BẢN ĐỒ TỔ CHỨC KOHONEN SOM (KOHONEN SELF -ORGANIZING MAPS) 9
8. HÀM NEIGHBORHOOD 11

8.1. Tổng quan 11
8.2. Hình minh họa 11
2/19
9. LƯỚI TOPOLOGY 11
10. MỘT SỐ HÌNH DẠNG CỦA LỚP KOHONEN 12
11. THIẾT KẾ MẠNG NƠRON 13
11.1. Số lượng lớp ẩn (trong mạng Backpropagation) 13
11.2. Mạng neurol ban đầu 13
11.3. Số mẫu huấn luyện 14
12. CÁC LĨNH VỰC ỨNG DỤNG MẠNG NƠRON 14
12.1. Giải quyết các bài toán 14
12.2. Phạm vi ứng dụng 14
13. CÀI ĐẶT MÔI TRƯỜNG PHÁT TRIỂN 14
13.1. Ngôn ngữ lập trình 14
13.2. Công cụ phát triển 15
14. NEURONNETWORK CLASS 15
14.1. Neuron.Core namespace 15
14.2. NeuronNetwork.Core.Initializers namespace 16
14.3. NeuronNetwork.Core.LearningRateFunctions namespace 16
14.4. NeuronNetwork.Core.BackPropagation namespace 16
14.5. NeuronNetwork.Core.SOM namespace 16
14.6. NeuronNetwork.Core.SOM.NeighborhoodFunctions namespace 17
15. MỘT VÀI ĐOẠN CODE HỮU DỤNG 17
15.1. backpropagation network 17
15.2. Đoạn mã khởi tạo một Kohonen SOM 17
16. CHƯƠNG TRÌNH ỨNG DỤNG MẠNG NEURON 18
16.1. Nhận dạng ký tự bàng cách vẽ chữ 18
3/19
1. Tổng quan về mạng nơron
1.1. Mạng nơron là gì

Mạng nơron nhân tạo, Artificaial Neural Network (ANN) gọi tắt là mạng nơron (neural
network), là mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron
sinh học. Nó được tạo nên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay
nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như một
thể thông nhất để giải quyết một vấn đề cụ thể nào đó.
1.2. ứng dụng trong lĩnh vực gì
Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân
loại dữ liệu,…) thông qua một quá trình học từ các mẫu huấn luyện. Về bản chất học chính
là quá trình hiệu chỉnh trọng số liên kết giữa các nơron
2. Cấu trúc của một nơron
Cấu trúc tổng quát
4/19
Giải thích ký hiệu:
• Tập các đầu vào: là các tín hiệu vào (input signal) của nơron, các tín hiệu này
thường được đưa dưới dạng vector N chiều
• Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số (gọi là trọng số liên
kết – Synaptic weight). Thông thường các trọng số này được khởi tạo một cách
ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình
học mạng.
• Bộ tổng (Summing function): thường dùng để tính tổng của các tích đầu vào với
trọng số liên kết của nó
• Ngưỡng (còn gọi là một độ lệch – bias): Ngưỡng này thường được đưa vào như
một thành phần của hàm truyền
• Hàm truyền (Transfer function): Hàm này được dùng để giới hạn phạm vi đầu ra
của mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho
• Đầu ra: Là tín hiệu đầu ra của mỗi nơron, với mỗi nơron sẽ có tối đa là một đầu ra
3. Học có giám sát và học không có giám sát
Một mạng nơron cần được đào tạo trước khi nó có thể được đưa vào sử dụng. Huấn luyện
liên quan đến việc đưa vào mạng nơron mẫu huấn luyện và cho phép nó tìm hiểu bằng
cách hiệu chỉnh trọng số liên kết và các thông số khác nhau. mạng nơ-ron có thể được

phân loại thành hai loại dựa vào loại học tập.
3.1. Mạng nơron học có giám sát:
Trong phương pháp học có giám sát, mạng nơron học từ các mẫu. Tập huấn luyện bao
gồm một tập hợp các mẫu đầu vào và các kết quả đầu ra mong muốn tương ứng với mẫu
đầu vào. Các mạng nơron điều chỉnh trọng số liên kết của nó để tìm hiểu mối quan hệ giữa
các cặp đầu vào-đầu ra. Mạng nơron được huấn luyện thành công thì có thể hể được sử
dụng để tìm đầu ra phù hợp nhất đối với bất kỳ đầu vào hợp lệ.
Mục tiêu của việc học có giám sát một mô hình toàn cục là tìm ra một hàm f, khi cho sẵn
một tập các điểm có dạng (x, f(x)).
3.2. Trong phương pháp học không có giám sát:
Mạng nơron chỉ nhận được một tập hợp các đầu vào từ môi trường bên ngoài. Nó có vẻ bí
ẩn để tưởng tượng những gì các mạng có thể có thể học hỏi từ thiết lập một chỉ số đầu
5/19
vào. Tuy nhiên, có thể để chính thức chứng minh rằng một mạng lưới không có giám sát
có thể xây dựng đại diện của các đầu vào có thể được sử dụng cho việc ra quyết định.
4. Giải thuật lan truyền ngược
Để huấn luyện mạng nơron ta cung cấp cho nó một bộ huấn luyện và cho phép nó học
bằng cách điều chỉnh trọng số của các liên kết mạng. Một tập huấn luyện là một tập hợp
mẫu huấn luyện.
Training Set = Set of training samples
Một mẫu đào tạo là một cặp của một vector đầu vào và một mẫu vectơ đầu ra mong
muốn. Trong trường hợp đào tạo không có giám sát, các vector đầu ra nên được để null.
Chiều dài của vector đầu vào nên được tương tự như số lượng các nơron trong lớp đầu
vào, và độ dài vector đầu ra nên được bằng số nơron trong lớp đầu ra.
Training Sample = (input vector, desired vector)
Backpropagation thuật toán là một thuật toán giám sát thường được sử dụng để huấn
luyện các mạng feed-forward. Nó được giới thiệu lần đầu tiên bởi Paul Werbos trong cuốn
sách 'The Roots của Backpropagation'. Ý tưởng cơ bản là xác định mạng nơron hoạt động
như thế nào với đầu vào mẫu, so sánh khác nhau như thế nào giữa các hành vi mong
muốn và sau đó điều chỉnh trọng số của các liên kết để giảm thiểu sự khác biệt. Quá trình

này lặp đi lặp lại cho tất cả các mẫu đào tạo trong nhiều lần thiết lập để đảm bảo huấn
luyện phù hợp.
Việc huấn luyện mạng MLP bởi thuật toán lan truyền ngược sai số bao gồm hai quá trình:
Quá trình truyền thẳng và quá trình truyền ngược. Trong quá trình truyền thẳng, các vector
đầu vào sẽ được cung cấp cho các nơron của mạng và tín hiệu sẽ được lan truyền lần lượt
trên từng lớp mạng. Cuối cùng ta sẽ tính được một tập các đầu ra thực sự của mạng.
Trong suốt quá trình truyền thẳng, tất cả các trọng số liên kết của mạng đều cố định.
Ngược lại, trong quá trình truyền ngược, tất cả các trọng số liên kết đó sẽ được hiệu chỉnh
theo các luật hiệu chỉnh trọng số. Sai số của mạng sẽ được đo bằng độ sai lệch giữa đầu ra
thu được với các giá trị mục tiêu tương ứng. Các sai số này sau đó sẽ được lan truyền
ngược lần lượt trên các lớp mạng (từ lớp cuối cùng đến lớp đầu tiên). Các trọng số liên kết
sẽ được hiệu chỉnh sao cho các đầu ra thực sự của mạng càng gần với các giá trị mục tiêu
càng tốt.
5. Learning Rate
Learning rate là một trong những thông số mà điều chỉnh việc làm thế nào để một mạng
noron học nhanh và làm thế nào để việc huấn luyện hiệu quả.
6/19
Hãy xem xét một nơron mà đang trải qua quá trình học tập. Giả định rằng trọng số của
một số liên kết trong mạng một phần được đào tạo là 0,3. Khi mạng được giới thiệu một
mẫu huấn luyện mới, thuật toán huấn luyện yêu cầu các liên kết thay đổi trọng số của nó
đến 0,7 để nó có thể học các mẫu mới phù hợp. Nếu chúng ta cập nhật trọng số ngay lập
tức, các mạng nơron chắc chắn sẽ học các mẫu mới, nhưng nó có xu hướng quên đi tất cả
các mẫu nó đã học trước đó. Điều này là do trọng số hiện tại (0,3) là kết quả của tất cả
việc học mà nó đã trải qua cho đến nay.
Vì vậy, chúng ta không trực tiếp thay đổi trọng số tới 0,7. Thay vào đó, chúng ta tăng nó
bởi một phần nhỏ (chọn 25%) của sự thay đổi cần thiết. Vì vậy, trọng số liên kết của được
thay đổi thành 0,4 và chúng ta chuyển sang mẫu đào tạo tiếp theo. Yếu tố này (0,25 trong
trường hợp này) được gọi là Learning Rate. Căn cứ theo cách này, tất cả các mẫu huấn
luyên được huấn luyện trong một số thứ tự ngẫu nhiên. Khi chu trình đào tạo lặp đi lặp lại
nhiều lần, cuối cùng mạng nơron học tất cả các mẫu có hiệu quả.

Learning rate là một giá trị trong khoảng từ 0 đến 1. Chọn một giá trị rất gần bằng không,
đòi hỏi một số lượng lớn các chu trình huấn luyện. Điều này làm cho quá trình huấn luyện
rất chậm. Mặt khác, nếu learning rate rất lớn, trọng số khác nhau và độ lệch hàm mục tiêu
dao động lớn và mạng đạt đến một trạng thái mà việc huấn luyện diễn ra vô ích.
6. Hàm Active
Hàm active trong mạng được xác định là cách để có được đầu ra của neuron từ một tập
đầu vào dựa trên thuật toán bakcpropagation.
Các thuật toán bakcpropagation yêu cầu một hàm active để thỏa mãn tính liên tục và khả
vi. Nó yêu cầu cần có hàm active để dễ dàng tính toán.
Một số hàm active như Sigmoid, Linear, Logarit, Tan, Sin…
6.1. Mô hình hàm : y = 1 / (1 + Exp(-x))
Hình 7.1: Mô hình hàm : y = 1 / (1 + Exp(-x))
7/19
6.2. Mô hình hàm : y = x
Hình 7. 2: Mô hình hàm : y = x
6.3. Hình 7.3: Mô hình hàm y = Log(1 + |x|)

Hình 7.3: Mô hình hàm y = Log(1 + |x|)
6.4. Hình 7. 4: Mô hình hàm y = sin(x)
Hình 7. 4: Mô hình hàm y = sin(x)
8/19
6.5. Hình 7.5: Mô hình hàm y=Tan(x)
Hình 7.5: Mô hình hàm y=Tan(x)
7. Bản đồ tổ chức Kohonen SOM (Kohonen Self -Organizing
Maps)
Bản đồ Kohonen SOM là phương pháp học không có giám sát được sử dụng rộng rãi để
giảm tính đa chiều của không gian đầu vào nhưng vẫn đảm bảo đúng cấu trúc đồ thị của
nó.
Một kiến trúc SOM Kohonen điển hình được hiển thị dưới đây. Bao gồm một lớp đầu vào
kết nối với một lớp đầu ra (Kohonen 2 chiều) thông qua một Connector Kohonen gồm các

nơrôn Kohonen.
Mỗi tế bào nơrôn trong một lớp Kohonen được liên kết với một tập các nơrôn khác trong
không gian hai chiều.
Lớp tế bào nơron đầu vào với n nơron với. Lớp đầu ra tổ chức riêng của mình để dựa vào
đầu vào. Vì thế gọi là mô hình tự tổ chức.
9/19
Trong giai đoạn đào tạo, một SOM xây dựng một mẫu đào tạo đại diện. Mạng lưới đào tạo
có thể sử dụng bản đồ vector đầu vào bất kỳ là không gian hai chiều.
Mục tiêu đào tạo của SOM là để đảm bảo rằng các phần khác nhau của mạng phản ứng
tương tự như các vector đầu vào.
Vì vậy, việc đào tạo chủ yếu liên quan đến việc phân tích hành vi của các mạng lưới cho
một mẫu đào tạo và điều chỉnh trọng lượng của một phần tử nơron để đảm bảo rằng các
mạng lưới tiến hành một hành vi tương tự đối với một đầu vào giống nhau. Các thủ tục liên
quan đến việc đào tạo các bước sau đây:
• Khởi tạo trọng những giá trị nhỏ ngẫu nhiên
• Chọn một mẫu đào tạo ngẫu nhiên, giao cho vector đầu vào trên các tế bào thần
kinh và chạy mạng.
• Đầu ra của một neuron tương ứng tỉ lệ với trọng lượng vector của nó và các vector
đầu vào. Các neuron đầu ra có giá trị cao nhất sẽ thông báo là người chiến thắng
cho các neuron đầu vào hiện hành.
• Tính toán khoảng cách của mỗi neuron đầu ra từ những nơron chiến thắng bằng
cách sử dụng một Hàm Neighborhood
• Cập nhật các thông số của khớp nơron bằng cách sử dụng các công thức sau đây.
a= Thông số giữa của nơrol đầu vào
Trọng số b= (Mức độ học M) * (Giá trị so với nơrol hàng xóm) * a
• Tương tự như vậy, nó sẽ đào tạo tất cả các mẫu theo một thứ tự ngẫu nhiên. Điều
này hoàn tất thành một chu trình đào tạo.
• Lặp lại các bước để hoàn thành số quy định của các thế đào tạo.
Các SOM đào tạo các bản đồ vector đầu vào bất kỳ thành một neuron chiến thắng, và có
thể được hiểu như là vị trí của vector trong không gian hai chiều.

10/19
8. Hàm Neighborhood
8.1. Tổng quan
Trong một bản đồ tự tổ chức, hàm neighborhood xác định các thông số của một tế bào
nơrol từ tế bào nơrol đó tới nơrol chiến thắng trong cùng một lớp.
Giá trị Neighnorhood ở neuron bị quyết định bởi vector trọng số của nó với những thay đổi
ở nơrol chiến thắng.
Nó thay đổi từ số không (cho một neuron ở khoảng cách xa vô hạn từ người chiến thắng)
để cuối cùng người chiến thắng là chính nó.
8.2. Hình minh họa
Một số hàm Neighborhood như Gaussian và Mexican-Hat như hình vẽ sau:
Hình 9.1: Hàm Gaussian Neighborhood
Hình 9.2: Hàm Mexican-Hat Neighborhood
9. Lưới Topology
11/19
Trong bản đồ lớp Kohonen Layer lưới topology quy định cụ thể sự sắp xếp của nơron lưới
hai chiều tạo thành lớp. Hàm Neighborhood được áp dụng trên topology này.
Có 2 lưới Topology hay dùng là hình lục giác và hình chữ nhật
Hình 10.1: Rectangular Topology
Hình 10.2: Hexagonal Topology
10. Một số hình dạng của lớp Kohonen
NeuronNetwork hỗ trợ các hàng và cột có thể vo tròn. Tính năng này có thể được dùng để
tạo ra các lớp Kohonen với hình dạng khác nhau.

12/19
Hình 11.1: Dạng phẳng Hình 11.2: Dạng đường thẳng Hình 11.3:Dạng hình vòng

Hình 11.4: Dạng hình trụ Hình 11.5:Dạng hình xuyến
11. Thiết kế mạng Nơron
Thiết kế một mạng nơron nhân tạo cho một ứng dụng cụ thể liên quan đến việc lựa chọn

đúng loại mạng, tìm một số thích hợp của các lớp ẩn, phương pháp thích hợp để khởi tạo
trọng số, thuật toán học thích hợp, các thế đào tạo, tỷ lệ học tập và số lượng mẫu đào tạo
để sử dụng. Hầu hết các thông số này đều phụ thuộc vào ứng dụng mà các mạng nơron
đang được thiết kế.
Dưới đây là một số hướng dẫn chung về thiết kế mạng nơrron:
11.1. Số lượng lớp ẩn (trong mạng Backpropagation)
Một mạng lưới Backpropagation không có lớp ẩn không thể thực hiện phân loại không
tuyến tính. Vì vậy, một trong những lớp ẩn là phải cho một mạng lưới backpropagation.
Hơn nữa, nó đã được toán học đã chứng minh rằng một mạng lưới backpropagation với
lớp ẩn duy nhất khi đào tạo phù hợp, có thể dùng để xấp xỉ hàm. Vì vậy, lớp ẩn duy nhất là
sự lựa chọn tốt nhất trong hầu hết trường hợp.
Có nhiều lớp ẩn tăng tốc quá trình học tập và mạng được đào tạo phù hợp chính xác với
các mẫu đào tạo nhưng không thực hiện tốt trên các dữ liệu thử nghiệm. Hiệu ứng này
được gọi là overtraining nơi mạng lưới huấn luyện có xu hướng ghi nhớ các mẫu huấn
luyện thay vì học tập chúng.
11.2. Mạng neurol ban đầu
Khởi tạo đúng trọng số liên kết nơron có ảnh hưởng lớn tới việc đào tạo tốc độ cũng như
xác định hiệu quả của đào tạo. Thông thường, trọng số được khởi tạo với giá trị ngẫu
nhiên từ -0,5 đến +0,5 (giá trị cao có xu hướng kết quả trong khu vực bão hòa sau khi kích
hoạt, các giá trị ban đầu nhỏ thì ra các giá trị gần bằng không).
13/19
Mạng nơron thực hiện quá trình khởi tạo như là một module pluggable. Tuỳ chỉnh các thuật
toán khởi tạo có thể được cắm vào bằng cách thực hiện Initializer giao diện.
11.3. Số mẫu huấn luyện
Quyết định như thế nào để các mẫu đại diện cho các chức năng huấn luyện thực tế là tốt
nhất. Thông thường, các lỗi học hơi tăng so với sự gia tăng kích thước của tập huấn luyện,
đồng thời ta cũng có thể nhận thấy rằng giảm lỗi và mạng thực hiện tốt hơn về dữ liệu thử
nghiệm.
Một mối quan hệ giữa kích thước mạng và số lượng tối ưu của mẫu đào tạo có thể được
tìm thấy.

12. Các lĩnh vực ứng dụng mạng nơron
12.1. Giải quyết các bài toán
Mạng trí tuệ nhân tạo (Artificial neural networks) được ứng dụng giải quyết các
bài toán trong các lĩnh sau:
• Bài toán về Function Modeling
• Bài toán về phân loại (Classification Problems)
• Baì toán xử lý và rút trích dữ liệu (Data processing and feature extraction)
12.2. Phạm vi ứng dụng
Phạm vi ứng dụng của trí tuệ nhân tạo rất lớn: trong các tập đoàn tài chính nó được dùng
để phân tích và dự đoán tài chính, nhận dạng chữ ký, nhận dạng ảnh, nhận dạng chữ viết,
nhận dạng sinh trắc học, mô hình hóa các hệ thống động, hệ thống tự động hóa, hệ thống
chuyển từ dọng nói ra chữ viết, bóc tách dự liệu, trí tuệ nhân tạo dùng trong trò chới máy
tính, hệ thống xác định đường đi trong giao thông vẫn tải, các hệ thống máy bay tự lái,
etc.
13. Cài đặt môi trường phát triển
13.1. Ngôn ngữ lập trình
Dự án được viết trên ngôn ngữ C#. Do vậy bạn cần phải sử dụng Microsoft .NET
framework.
14/19
13.2. Công cụ phát triển
Sử dụng công cụ phát triển là Visual Studio Express editions
( )
14. NeuronNetwork Class
Những thông tin mô tả về các class được mô tả tại mục này. Ví dụ như: layers, connectors,
networks and TrainingSet. Tất cả các class này được thừa kế từ class 'ISerializable'
interface
14.1. Neuron.Core namespace
• INeuron : Interface mô tả một nơron thần kinh
• ISynapse : Interface mô tả một khớp nối thần kinh trong mạng
• ILayer : Interface mô tả Layer trong mạng nơron

• IConnector : Interface mô tả một bô kết nối (connector) (kết nối giữa hai layers)
• INetwork : Interface mô tả một mạng nơron
• IInitializer : Interface dùng để khởi tạo một cách thức làm việc cụ thể của các
lớp và các bộ kết nối trong một mạng cụ thể.
• ILearningRateFunction : Learning Rate Function interface.
• Layer : Một thể hiện ở mức tổng quát hóa của interface 'ILayer' hay là một tập
hớp các 'INeuron's
• Connector : Một thể hiện ở mức tổng quát hóa của inter 'IConnector' liên kết giữa
hai layers
• Network : Một lớp cơ sở để thể hiện một mạng nơron. Nó là triển khai của
interface 'INetwork'.
• TrainingSample : Lớp này là thể hiện một cặp các vector: vector đầu vào và
vector đầu ra mong muốn.
• TrainingSet : Là tập hợp của các TrainingSample.
• TrainingMethod : Thể hiện phương thức học của mạng nơron là học có giám sát
hay không giám sát
• ConnectionMode : Thể hiện một bộ kế nối là một-một connector hay nhiều-nhiều
15/19
14.2. NeuronNetwork.Core.Initializers namespace
Có rất nhiều các phương thức khởi tạo cho mạng
như: ConstantFunction, NGuyenWidrowFunction, ZeroFunction, RandomFunction
và NormalizedRandomFunction được mô tả trong namespace này.
14.3. NeuronNetwork.Core.LearningRateFunctions namespace
Namespace chứa các hàm dùng cho Learning rate
như: HyperbolicFunction, ExponentialFunction và LinearFunction.
14.4. NeuronNetwork.Core.BackPropagation namespace
• ActivationNeuron : một nơron trong mạng lan truyền ngược
• BackpropagationSynapse : Các bộ kết nối giữa hai activation neurons
• ActivationLayer : một lớp tổng quát hóa của activation neurons
• BackpropagationConnector : một tập các BackpropagationSynapses kết nối

giữa hai activation layers
• BackpropagationNetwork : Một mạng lan truyền ngược
• LinearLayer, LogarithmLayer, SigmoidLayer, SineLayer và TanhLayer thừa
kế lớp ActivationLayer để triển khai một thể hiên tương ứng với các hàm
activation functions.
14.5. NeuronNetwork.Core.SOM namespace
• PositionNeuron : một nơron a Kohonen network
• KohonenSynapse : Liên kết một nơron và một PositionNeuron
• KohonenLayer : một layer của PositionNeurons
• KohonenConnector : một tập hợp các KohonenSynapses liên kết các
Kohonen Layers
• KohonenNetwork : thể hiện một Self-Organizing Map
• LatticeTopology : chỉ định dạng lưới lattice topology là Hexagonal hay
Rectangular.
• INeighborhoodFunction : Interface biểu diễn một neighborhood function
16/19
14.6. NeuronNetwork.Core.SOM.NeighborhoodFunctions
namespace
• Namespace này bao gôm các class sau GaussianFunction và MexicanHatFunction
15. Một vài đoạn code hữu dụng
15.1. backpropagation network
Đoạn mã bên dưới tạo ra một backpropagation network có một lớp đầu vào là
LinearLayer chứa mười nơron, một lớp ẩn sigmoid chưa năm nơron và một lớp đầu ra
sigmoid chứa bảy nơron.
Để tạo một mạng nơron, đầu tiên cần khởi tạo các lớp (layers), sau đó kết nối các lớp bằng
cách tạo ra các connectors và rồi tạo ra mạng nơron bằng cách cung cấp các lớp đầu vào
và đầu ra. Không được sửa đổi cấu trúc của mạng sau khi tạo ra nó (Không tạo ra bất kỳ
các Layer hoặc connector nào khi đã tạo mạng thành công).
Cần chú ý lớp đầu vào của một mạng backpropagation luôn luôn là một linear layer bởi
vì chúng ta không muốn thay đổi dữ liệu đầu vào thêm độ lệch hay thực hiện activation

function.
15.2. Đoạn mã khởi tạo một Kohonen SOM.
Bất cứ lúc nào cũng có thể thay đổi thuộc tính của các layers và các connnectors.
Một learning rate function được liên kết với mọi layer trong mạng. Chúng ta có thể
thay đổi thuộc tính này cho mỗi một layer. Nếu muốn sử dụng duy nhất một hàm cho mọi
lớp chúng ta có thể sử dụng hàm SetLearningRate cho network
17/19
Để dạy mạng ta cần các mẫu ví dụ (bao gồm đầu vào và đầu ra). Chúng ta cần tạo ra một
tập hợp các mẫu training samples và chúng ta có thể dạy mạng này chống lại các
training set.
16. Chương trình ứng dụng mạng Neuron
16.1. Nhận dạng ký tự bàng cách vẽ chữ.
Đây là màn hình chương trình nhận dạng ký tự A bằng cách vẽ chữ A.
18/19
Màn hình dạy chương trình nhận dãng ký tự A.
19/19